FunASR
EN

SenseVoice 的情绪标签，该怎么用？

2026-09-10 修订 · 技术解读 · 阅读约 5 分钟

你把一段客服录音转成文字，发现前面还有 ANGRY 或 NEUTRAL。能不能据此自动判断客户是否生气？先别急着给人下结论：这些是模型对音频片段的分类预测。接入应用前，先分清原始预测、显示文本和评测依据。

情绪标签不是人的真实心理状态、身份或诊断，也不是已经校准的置信度。它可以作为经过验证后的辅助检索线索，但不能单独决定员工考核、客户处置或其他影响人的重要结论。

先保留原始结果

SenseVoiceSmall 在转写之外还会生成语种、情绪、音频事件及文本规范化标签。下面用短音频观察输出，不接 VAD、不做说话人分离。将有权使用的短录音放到 audio.wav；第一次使用模型名时需要下载权重。

先按维护中的安装与环境验证指南准备 CPU 环境，确认 PyTorch 与 torchaudio 可以成功导入且版本配套。python -m pip install "funasr==1.4.15" 只固定 FunASR 包，不是完整的新环境安装步骤。

from funasr import AutoModel
from funasr.utils.postprocess_utils import rich_transcription_postprocess

model = AutoModel(
    model="iic/SenseVoiceSmall",
    device="cpu",
    disable_update=True,
)
raw = model.generate(
    input="audio.wav",
    language="auto",
    use_itn=True,
    ban_emo_unk=False,
)[0]["text"]

print("raw:", raw)
print("display:", rich_transcription_postprocess(raw))

在 Linux CPU、FunASR 1.4.15、PyTorch/torchaudio 2.10.0 环境中，用官方中文短音频得到下面的真实读数。音频约 5.55 秒，使用已缓存的 SenseVoiceSmall 权重；这是一项功能检查，不是情绪准确率或速度 benchmark。

官方中文短音频的实际波形，横轴为时间，纵轴为振幅
输入音频的真实波形，不是情绪强度、模型注意力或置信度曲线。

原始预测

<|zh|><|NEUTRAL|><|Speech|><|withitn|>欢迎大家来体验达摩院推出的语音识别模型。

用于显示的文本

欢迎大家来体验达摩院推出的语音识别模型。

zh 是这里预测的语种，NEUTRAL 是情绪类别，Speech 是音频事件标签，withitn 表示文本规范化模式。它们都不是“识别正确”的证明；Speech 也不保证整段没有音乐或噪声。这个例子没有人工情绪真值，不能据此计算情绪准确率。

显示文本不能当评测标签

rich_transcription_postprocess() 让结果适合显示，并不承诺只保留纯文字。它可能去掉控制标签，也可能把情绪或事件转成 emoji。下面是人为构造的标签字符串，不是另一段录音的预测；用同一版本后处理函数即可验证区别。

输入: <|zh|><|HAPPY|><|Speech|><|withitn|>今天放假。
显示: 今天放假。😊

把显示文本切开、寻找第几个词来当情绪类别，会丢失或误读标签。先保存 res[0]["text"] 这类原始输出，再按任务解析；显示版本单独存储。多个切片可能给出不同预测，也不能把整段的一个标签当作每个时刻或每个说话人的状态。

不要把 ban_emo_unk=True 理解为“更准确”。实现只是屏蔽未知情绪 token 的解码分数；不允许输出未知，不等于模型获得了新证据。示例显式保留未知选项，未知或无法解析的结果应进入检查流程，不能默默改成 NEUTRAL。

需要分数时，先固定评测口径

CASIA / RAVDESS 社区复现问题仍未解决；本文没有复现论文分数，也没有访问或分发这些数据集。比较前先固定合法数据集版本、样本清单、类别映射、权重散列、软件版本和指标定义。

现有 SER 工具从原始输出读取六类评测标签，规范化 fear/fearful、surprise/surprised，遇到没有受支持标签的输出会报错，而不是静默丢样本。这个六类评测契约不是完整模型词表，不能直接当作任何应用的通用情绪解析器。

它同时报告 WA（所有样本的准确率）与 UA（清单中各类别召回率的平均）。一个合成计数例子：9 条 neutral、1 条 angry 全部预测为 neutral，WA 是 90%，UA 只有 50%。这只是用维护中的指标函数核验口径，不是 SenseVoice 的测量结果。一个总分可能掩盖少数类别完全失败。

应用侧先抽样回听，覆盖自己的语言、噪声、设备与说话风格，记录误报和未知，再决定是否采用辅助标签。需要“谁在何时说了什么”，应走说话人及时间覆盖的验收路径，不是从情绪 tag 推断身份。

下一步，打开固定版本的SenseVoice SER 评测说明，从你的合法样本清单开始，保留原始输出与未通过的样本。