@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……
摘要
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。
查看缓存全文
缓存时间: 2026/07/20 17:30
微软刚刚发布了一个工具，可以一次性转录整整一小时的音频，并追踪谁在什么时间说了话。
它叫vibevoice
该7B模型一次性处理完整录音，而非将其切分成片段，因此说话者身份和上下文不会在片段间断裂
→ 集成的完整说话人角色分离，而非后期附加 → 每个说话人轮次的结构化时间戳 → 支持50多种语言
本地运行，无API费用。
相似文章
microsoft/VibeVoice
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。
@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。
@CopyRebeldia: 每月向你收费，把你的会议变成摘要的业务今天非常糟糕。微软发布了…
微软发布了VibeVoice开源模型，可一次性处理一整小时的音频，并返回带有说话人识别和时间戳的结构化文本，颠覆了付费转录服务。
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。
微软发布VibeVoice-ASR-Streaming流式语音识别模型
微软发布VibeVoice-ASR-Streaming，这是一款统一的流式自动语音识别模型，能够转录说话人身份，并支持自定义热词和10种语言。