microsoft/VibeVoice
摘要
Microsoft 开源了 VibeVoice，这是一个统一的语音转文本模型，可单次处理长达60分钟的音频并转录说话人、时间戳和内容，同时还有一个实时文本转语音模型，支持流式输入和多语言语音。该项目通过量化技术为 ASR 提供了一个边缘 CPU 推理引擎。
开源前沿语音 AI
查看缓存全文
缓存时间: 2026/07/29 15:53
📰 新闻
相似文章
VibeVoice 技术报告
VibeVoice 是微软推出的一款新模型，它利用 Next-Token Diffusion（下一令牌扩散）和一种高度高效的连续语音分词器，生成长形式多说话人语音。该模型实现了卓越的保真度和压缩率，支持长达 90 分钟的多说话人音频生成。
microsoft/VibeVoice-ASR-BitNet
Microsoft发布了VibeVoice-ASR-BitNet，这是一个压缩的多语言ASR模型，用于实时CPU推理。与Whisper.cpp相比，它的推理速度提高了1.6-2.3倍，并且仅需3个CPU线程即可实现实时能力。
@oliviscusAI: Microsoft 刚发布了一个工具，可以一次性转录整整一小时的音频，并追踪谁在什么时候说话。它叫……
Microsoft 发布了 vibevoice，这是一个7B参数的模型，可以一次性转录长达一小时的音频，内置说话人日志和时间戳，支持50多种语言，并且本地运行，无需API费用。
@uniswap12: 微软开源了一个语音 AI，60 分钟长音频一次转写，4 个人同时说话都能搞定 VibeVoice，微软开源，24.8k star，今天才知道这个。录音一键转文字这件事，我之前一直用 Whisper，但它处理长会议录音经常超时，多人说话识别…
微软开源了语音AI框架VibeVoice，支持60分钟长音频一次性转写、多说话人分离和时间戳标注，同时提供多角色TTS合成能力，底层基于Qwen2.5并配有0.5B轻量实时版本，已在GitHub获得24.8k星标。
[audio.cpp] VibeVoice 1.5B 发布 — 90分钟播客在22.95分钟内完成，4.08倍实时速度，比Python基线快2.86倍（无量化）。原生C++/ggml
VibeVoice 1.5B，一个长篇幅多说话人TTS模型，现已获得audio.cpp（原生C++/ggml运行时）的支持，在RTX 5090上实现4.08倍实时速度，比无量化的Python基线快2.86倍。