免费音频视频语音识别转文字软件SenseVoice整合包，支持批量操作可生成字幕

本次分享的是阿里团队退出的一款快速免费语音识别转文字软件SenseVoice，以前分享过paraformer-zh-streaming模型的实时识别版，本次的是SenseVoiceSmall模型非实时识别版，本人二次开发优化版，可识别音频视频转为文字，支持生成字幕，支持批量操作，支持识别文本翻译为其它语言文本。

2025-06-20，更新新版，修复了一些问题

SenseVoice介绍

SenseVoice是阿里巴巴团队推出的一个语音基础模型，具有多种语音理解功能，包括自动语音识别 (ASR)、口语语言识别 (LID)、语音情感识别 (SER) 和音频事件检测 (AED)。

亮点🎯

SenseVoice专注于高精度多语言语音识别、语音情感识别和音频事件检测。

• 多语言语音识别：经过超过40万小时的数据训练，支持超过50种语言，识别性能超越Whisper模型。
• 富转录：
  • 拥有卓越的情绪识别能力，在测试数据上达到并超越目前最佳情绪识别模型的有效性。
  • 提供声音事件检测能力，支持背景音乐、掌声、笑声、哭声、咳嗽声、打喷嚏声等多种常见人机交互事件的检测。
• 高效推理： SenseVoice-Small 模型采用非自回归端到端框架，推理延迟极低。处理 10 秒音频仅需 70 毫秒，比 Whisper-Large 快 15 倍。
• 便捷的微调：提供便捷的微调脚本和策略，让用户根据业务场景轻松解决长尾样本问题。

SenseVoice软件使用说明

原应用不支持批量操作和生成字幕，但是大家对这两个功能还是有比较强烈需求的，所以我顺便加了这两个功能，同时增加了翻译功能。

【待处理文件】软件只支持识别音频及mp4和mkv格式视频。

【batch size】值越大识别速度越快，但是对电脑配置要求也越高，可根据电脑配置决定。

【音量阈值】就是用于屏蔽低音噪音的，如果说话人环境比较嘈杂，可以设置该值，屏蔽掉低音噪音部分，值越大，屏蔽的声音分贝越高

【原语言】原音频视频的语言，zh中文，en英语，yue粤语，ja日语，ko韩语，如果待识别文件夹内包含多种语言的文件，原语言输入框内可输入“auto”，但是建议将不同语言分别开，识别的时候指定语言类型。

翻译工具国内用户用百度，国外用户用谷歌，免费申请百度翻译API可以查看下面教程《最新百度翻译api免费申请AppId和AppSecret流程，每月免费100万字符》

如果你想翻译成的目标语言在列表里没有，可自行设置语言代码，百度翻译和Google翻译语言代码参考下面文章《百度翻译谷歌翻译API语言代码名称对照表》，将所需要的语言代码填入目标语言输入框里即可

【最小静音时长】这个值越小，每段字幕字数越少，值越大，字幕字数越多。根据你实际生成的字幕长度按需调节。有些特殊情况，比如有的人说话特别快中间没有停顿，而且说话能连续说很久，那么这种情况下这段字幕就会很长。这时可以手动修改srt字幕文件内容进行调节字幕时长。

【块大小】太短的片段过滤掉，值太大，有可能会造成识别内容缺少

视频教程及效果演示：https://nuowa.net/2008

注意事项

先将电脑英伟达显卡驱动更新到最新版

软件只支持windows10或11

软件运行路径中不要出现非英文字符及空格，待处理文件同样注意

支持英伟达50系列显卡

建议英伟达显存不低于2G

为了尽快显示结果，软件没有执行删除缓存操作，可以定期手动删除【temp】文件夹内的临时音频文件

如果提示：处理段*/*时出错。可以调大最小静音时长的值重新生成。

批量音视频识别转文字软件SenseVoice整合包下载链接

https://pan.quark.cn/s/5c6e2544264b

https://pan.xunlei.com/s/VOTB-TMfUZGEXU2NYBTqEIyPA1?pwd=9w5e#

实时语音识别转文字软件V5版本下载链接：

https://nuowa.net/1675

SenseVoice本地电脑安装部署教程

https://nuowa.net/2005