微软开源VibeVoice-ASR

VibeVoice-ASR是一个统一的语音转文本模型，专为处理长达60分钟的长篇音频而设计，可一次性生成包含说话人（Who）、时间戳（When）和内容（What）的结构化转录，并支持自定义热词。

➡️代码库:microsoft/VibeVoice

➡️演示:VibeVoice-ASR演示

🔥 核心功能

• 🕒 60分钟单次处理:
  与传统ASR模型将音频切割为短片段（常丢失全局语境）不同，VibeVoice ASR支持长达60分钟的连续音频输入（64K令牌长度内）。这确保了对整段音频中说话者的持续追踪和语义连贯性。

• 👤 自定义热词:
  用户可提供定制热词（如特定人名、专业术语或背景信息）来引导识别过程，显著提升领域专用内容的识别准确率。

• 📝 结构化转录（何人、何时、何言）:
  该模型同步完成语音识别、说话人分离和时间戳标记，生成结构化输出，清晰标注何人在何时说了什么内容。

性能评估

安装与使用

请参考 GitHub README 文档。

许可协议

本项目采用 MIT 许可协议授权。

联系方式

本项目由微软研究院成员开发。我们欢迎用户的反馈与合作。如果您有任何建议、疑问，或发现技术存在异常/冒犯性行为，请联系 VibeVoice@microsoft.com。
若团队收到不良行为报告或自主发现问题，我们将在此代码库中发布相应的修复方案。