微软 VibeVoice｜5万星 语音识别+长文本TTS 全家桶

Github 超 5 万星！微软开源转录神器 VibeVoice，如果你还在用 Whisper 做会议转写，值得试试这个语音全家桶。

核心竞争力

• 长音频一次识别：VibeVoice-ASR 可以一次性吃下 60 分钟不间断音频，一口气完成转写、说话人区分、打上时间戳，直接输出『谁、几点、说了什么』的整套结构化纪要，不用二次拆分处理。传统方案长音频要切成一段一段，经常出现说话人错乱、上下文丢失。
• 自定义热词库：把行业术语、人名、项目名称提前导入，识别准确率直接拉高一大截。
• 低成本运行：新版 BitNet 版本纯 CPU 就可以跑，轻薄本不用显卡也能本地离线转写会议录音，数据完全不出电脑。

不只是语音转文字，是一整套语音方案

1. ASR 语音识别：一小时长音频会议转录、区分发言人。
2. 长文本 TTS：一次性生成最长 90 分钟音频，支持最多 4 个人对话音色互不串音，适合播客录制。
3. Realtime 实时流式语音：0.5B 轻量模型，首段语音延迟 300 毫秒，AI Agent 边输出文字边发声，真正做到边想边说。

开源现状

• MIT 协议完全开源免费，GitHub 仓库地址：microsoft/VibeVoice。
• 做会议纪要、播客、AI 智能体语音交互，这个底座非常值得二次开发。

风险提示：语音克隆请征得当事人授权，禁止伪造音频。