VibeVoice 是微软开源的一套前沿语音 AI 模型家族，涵盖长时语音识别与实时语音合成，单次即可处理长达 60 分钟的音频，输出带说话人、时间戳和内容的结构化转写。

不仅支持 50 多种语言的原生识别与 90 分钟多角色对话生成，还提供流式输入的实时合成，兼顾学术研究与实际部署需求。

GitHub：github.com/microsoft/VibeVoice

主要功能：
- 单次处理 60 分钟长音频，完整保留全局上下文与说话人一致性；
- 同时输出谁、何时、说了什么的结构化转写，支持自定义热词；
- 支持 4 角色、90 分钟长对话的自然多说话人语音合成；
- 0.5B 参数实时模型，首字延迟约 300 毫秒，适合流式场景；
- 提供 vLLM 加速推理与完整微调代码，开箱即可本地运行。

支持 Python 生态，通过 pip 一键安装，适合研究者、开发者与需要长音频处理的团队使用。

#开源项目# #语音AI#