VibeVoice · 可视化实验室

VibeVoice是微软开源的前沿语音AI模型家族，包含ASR语音识别和Realtime TTS实时语音合成。核心技术包括7.5Hz超低帧率连续语音分词器和Next-Token Diffusion框架，ASR支持60分钟连续音频和50+语言，实时TTS仅0.5B参数实现约300ms首音延迟，已集成至Azure AI Foundry Labs。