微软开源前沿语音 AI 家族 VibeVoice：单次处理 90 分钟多说话人对话，GitHub 迅速获 27K Star
微软开源了名为VibeVoice的语音AI模型家族，涵盖语音识别（ASR）和文本转语音（TTS）能力，支持本地部署，采用MIT许可。该项目在GitHub已获约27K星，主要包含三个模型：
- VibeVoice-ASR-7B：可一次性处理长达60分钟音频，支持50多种语言，输出带说话人识别、时间戳和内容转录，适用于会议记录和播客转录。
- VibeVoice-TTS-1.5B：单次生成90分钟音频，支持最多4个说话人的自然对话，语音表现力强，适合有声书和多角色内容制作。
- VibeVoice-Realtime-0.5B：专为实时场景设计，延迟约300毫秒，支持流式输入和长语音生成，适用于语音助手和直播。
项目曾因安全风险短暂下架，后通过音频水印和免责声明等机制重新上线，目前可在GitHub和Hugging Face获取。
marsbit03/30 07:16
