一次转写一小时：谁在什么时间说了什么，都写进结构化文本
来源：GitHub — 2026-11-06 · ⭐ 55,589 stars · Python
📋 概述
VibeVoice 是微软开源的前沿语音模型家族，包含能一次处理六十分钟长音频的语音识别、多说话人长文本合成，以及实时流式合成三支。识别端直接输出带说话人归属的结构化转写，另有面向边缘 CPU 的量化版本。
🔑 核心要点
- 长音频单次进模型，不必先切成小段再手工拼接说话人归属。
- 流式识别边说话边出结果，支持自定义热词与十种语言。
- 边缘版本用异构量化把模型从 4.62 GB 压到 1.58 GB，CPU 上接近实时。
- 合成端覆盖多说话人长对话，实时分支面向低延迟场景。
💡 金句
a unified speech-to-text model designed to handle 60-minute long-form audio in a single pass
👍 0
👎 0
← 返回 GitHub Trending 首页