SenseVoice采用多任务联合训练框架，其核心架构融合了语音识别（ASR）、语种识别（LID）、情感识别（SER）和声学事件检测（AED）四大模块。其技术亮点体现在以下设计：

1. 输入特征构造

• 语音特征提取：80维对数梅尔滤波器组特征，通过帧堆叠和下采样（6倍压缩）处理时序数据。
• 任务嵌入拼接：在语音特征前添加四个任务嵌入向量：

# 代码示例：嵌入拼接（参考FunAudioLLM源码）
x = torch.cat([elid, eser