SenseVoiceSmall एक ऐसा बुनियादी वाक् मॉडल है जिसमें कई प्रकार की वाक् समझ क्षमताएँ हैं, जिनमें स्वचालित वाक् पहचान (ASR), मौखिक भाषा पहचान (LID), वाक् भावना पहचान (SER) और ऑडियो घटना पता लगाना (AED) शामिल हैं। यह मॉडल 40 लाख घंटे से अधिक डेटा प्रशिक्षण से गुज़रा है, 50 से अधिक भाषाओं का समर्थन करता है, और Whisper मॉडल से बेहतर पहचान प्रदर्शन करता है। इसका छोटा मॉडल SenseVoice-Small एक गैर-स्वप्रतिगमन अंत-से-अंत ढाँचे का उपयोग करता है, जिससे अनुमान में देरी बहुत कम होती है, 10 सेकंड के ऑडियो को संसाधित करने में केवल 70 मिलीसेकंड का समय लगता है, जो Whisper-Large से 15 गुना तेज है। इसके अतिरिक्त, SenseVoice सुविधाजनक माइक्रोट्यूनिंग स्क्रिप्ट और रणनीतियाँ प्रदान करता है, जो कई समवर्ती अनुरोधों का समर्थन करने वाले सेवा परिनियोजन पाइपलाइन का समर्थन करता है, जिसमें क्लाइंट भाषाओं में Python, C++, HTML, Java और C# शामिल हैं।