SenseVoiceSmall：转写录音时，一并保留情绪与声音事件线索

整理一段访谈，只有纯文字时，笑声、掌声和语气变化容易在剪辑前就丢掉。SenseVoiceSmall 在语音转写之外，还提供语言、情绪与声音事件相关标签，适合把它们作为回听线索保留下来。它识别录音内容，不生成配音，也不克隆人物声音。

先看清型号。当前官方仓库明确，已发布Small检查点的识别范围是普通话、粤语、英语、日语和韩语。家族介绍里的50多种语言不能直接当作这份权重的支持清单；Large的评测表现也不能算到Small上。

官方示例先加载模型与FSMN-VAD，再读取示例音频，generate得到含标签的结果，最后调用rich_transcription_postprocess变为适合显示的文本。这里的“后处理”不只是去掉几个控制字符。当前处理代码会把 <|Laughter|> 映射为笑脸、<|Applause|> 映射为掌声，把语言标签移除；同类事件或情绪还会合并显示。因而适合阅读的文本，并不等于完整保留了原始标签。若后续要按笑声筛素材，应同时保存原始 text 和显示文本，而不是再从表情符号猜回原始输出。

例如，一段授权访谈里有正常讲话、笑声和长停顿，可以把转写与标签一起作为素材目录，编辑根据线索回到对应音频复核，再决定保留哪段。这是编辑设计的用途，未执行；标签不能直接证明说话者真实快乐、愤怒或某件事确实发生。误判的笑声、音乐和情绪都应允许人工修正，尤其不适合据此评价人物心理状态。

这些标签本身没有提供完整剪辑时间轴，回听定位仍要保留片段边界或另取对齐结果。长录音还要先处理长度。Small模型卡的直接推理入口限定30秒以内；通过FunASR组合VAD可先切成片段。当前仓库进一步提醒，整小时波形直接进一次推理会造成内存增长，另提供固定窗口路线。看到示例支持长音频，不等于编码器原生无限长度，实际应分清切段、模型推理与合并输出三个环节。

语言提示和数字格式也影响结果。language可自动判断或指定支持语种，use_itn影响逆文本规范化与相关输出。要做字幕，数字、英文专名与标点应回听核验；显示后处理不负责自动重新对齐被改写的文字。需要字词时间戳时，应按所用版本的对齐字段处理，不能用纯文本字符位置猜时间。

这份权重本身也不识别“谁是张老师”。说话人分离需要FunASR另配VAD、CAM++等组件，得到录音内部的匿名标签；不是Small原生输出的人物身份。若你只要文字与事件提示，不必为此把整套人物管线都加进来。

许可有一处当前材料必须讲清的变化：Small模型卡的license为other，链接FunASR Model Open Source License Agreement，而代码仓库采用MIT。该模型协议要求保留出处、作者及模型名，并包含用途责任、终止与更新条款。本稿不把它改写成Apache2.0或无条件商用；商业部署应核对实际权重来源与当前条款，必要时向发行方确认。音频本身的录制、处理和发布权限同样独立。

它的价值是为转写增加可复核线索，减少编辑凭空猜测录音内容的时间。真正交付前，仍应听校关键句、专名与可能影响语义的标签，再把模型结果交给剪辑或检索系统。

资料：Small完整模型卡、当前仓库与已发布范围、权重协议。