VibeVoice

收录理由

VibeVoice 把长语音识别与多说话人语音合成放在同一个仓库里，一条流水线同时覆盖语音理解与生成两个方向。识别端支持单次处理长达 60 分钟的音频，自动输出说话人标签和时间戳，还能通过自定义热词来适配行业术语，适合做会议转写或通话分析这类真实业务场景，而不只是跑个演示。原生支持超过 50 种语言，微调代码和量化后的 CPU 推理引擎（无需 GPU）打通了从训练到边缘部署的完整链路。合成端则支持长文本、多说话人以及流式输入。模型已发布在 Hugging Face 上，配合 Colab 示例和 vLLM 集成，团队下载后很快就能搭起可用的语音管线。