微软开源 VibeVoice-ASR：一小时会议录音一次转完，说话人/时间戳/内容一次前向全给出（5.4 万 star）

视频加载中

视频加载中

微软开源 VibeVoice 语音家族（GitHub 已 5.4 万+ star，MIT 协议）中的统一语音识别模型 VibeVoice-ASR（7B，2026-01 开源）：长达 60 分钟的会议录音**单次前向**直接输出结构化转录——谁在说（说话人识别）、何时说（时间戳）、说了什么（内容），一个模型同时完成转写+分说话人+时间对齐（传统方案需三个模型）。原生支持 50+ 语言自动检测、句中语码切换（英中混说）、自定义热词/上下文提升人名与术语准确率；支持本地部署，敏感录音不出设备。技术底座是家族共用的 7.5Hz 超低帧率连续语音 tokenizer（常规语音模型 50-75Hz，压缩 3200 倍，90 分钟音频仅约 4 万 token 进 LLM 上下文）+ LLM 骨干 + diffusion 头。家族还有 TTS-1.5B（90 分钟 4 说话人长音频生成，ICLR 2026 Oral）、Realtime-0.5B（300ms 首音实时 TTS）、ASR-Streaming（边说边转写，2026-09）与 ASR-BitNet（异构量化压到 1.58GB，3+ CPU 线程实时推理无需显卡，VibeASR.cpp）。开发者 axichuhai 强调其纯 CPU 方案让会议内容完全留在本地处理。