VibeVoice｜微软开源长音频语音识别框架

用途说明

VibeVoice 是微软开源的语音 AI 框架。根据来源资料，项目早期包含语音合成（TTS）能力，但自 2025 年 9 月起 TTS 相关代码已从仓库移除，当前主线功能是语音识别（ASR）。因此现在更适合把它当作长音频转写工具来理解，而不是语音生成工具。

已知能力

• 支持约 60 分钟级别的长音频输入，适合会议、讲座、访谈等整段录音；
• 具备说话人分离能力，便于区分多人对话中的发言者；
• 覆盖 50 种以上语言。

以上特性均来自来源描述，具体效果、准确率与语言列表应以仓库文档为准，尚未实测。

适用人群

需要把长录音整理成文字的内容从业者、研究人员、会议记录人员，以及希望自建转写流程、而不依赖商业云服务的开发者。

使用步骤（通用）

1. 访问项目仓库，阅读 README 与依赖说明，确认当前版本只提供 ASR；
2. 按文档准备运行环境（Python 依赖、模型权重下载方式等，详见仓库）；
3. 准备音频文件，按文档要求转换格式与采样率；
4. 调用提供的推理脚本或接口，得到带说话人标注的转写文本；
5. 对长音频可分段处理后再合并，并人工校对专有名词。

费用与限制

• 模型权重与代码的获取方式、软件自身许可（是否为宽松开源协议）需查阅项目独立条款，目录资料的 CC-BY-4.0 仅适用于导航条目本身；
• 本地运行对显存和算力有要求，具体门槛待核验；
• 国内访问 GitHub 与下载模型的速度可能受限，需自行评估网络条件；
• 若寻找语音合成功能，应转向其他项目。

来源与使用边界

原始入口：https://github.com/microsoft/VibeVoice

整理来源：https://github.com/ikaijua/Awesome-AITools

依据来源资料经AI翻译整理，未由本站实测。原始资料许可：CC-BY-4.0；目录许可不代表各产品或文件的使用授权。费用、账号、国内访问与版本兼容条件以原始发布者最新说明为准。