multi-speaker

MOSS-Transcribe-Diarize-0.9B 是一个开源端到端音频理解模型，用于长篇幅多说话人转录、说话人识别和时间戳生成，由 Mosi AI 在 Apache 2.0 许可下发布。

Fish Audio S2 是一个开源的文本转语音系统，支持多说话人、多轮生成以及指令跟随控制，并由具备低延迟特性的生产级推理引擎提供支持。

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。