微软开源 VibeVoice-ASR-Streaming-7B 流式识别模型

微软在 Hugging Face 正式发布并开源 VibeVoice-ASR-Streaming-7B，一个基于 LLM 的 7B 参数流式语音识别模型，权重已开放下载，并同步公开技术报告《VibeVoice-ASR-Streaming Technical Report》（团队含 Li Dong、Furu Wei 等）。该模型将说话人归属的语音识别（ASR）与说话人分离（diarization）统一在单一端到端模型中，可在音频实时到达的同时持续转写「谁在说什么」，而非等完整音频处理完再输出。当前模型已可下载使用，适合实时字幕、会议记录等延迟敏感场景。

已确认

• 模型名称为 VibeVoice-ASR-Streaming-7B，7B 参数规模，已在 Hugging Face 上架，权重开放下载。
• 单模型同时支持流式转写与说话人分离，基于 LLM 的端到端架构，属于首批基于 LLM 的端到端流式说话人归属 ASR 之一。
• 覆盖 10 种语言，微软官方帖明确包含中文与英文，并支持中文转写。
• 支持自定义热词，可提升专有名词等场景的识别效果。
• 该模型是 VibeVoice 系列的 ASR 版本，面向实时语音转写场景。

为什么重要

传统 ASR 管线通常需要先做语音识别再做独立的说话人分离，且多为离线批处理；VibeVoice-ASR-Streaming 将两者统一进一个流式端到端模型，在直播字幕、会议纪要、语音助手等实时场景中更具实用价值。微软以 7B 规模开源权重，也降低了开发者本地部署与二次开发的门槛。

2026-09-02 ~ 2026-09-04 · 6 条相关

• 【源头】微软发布 VibeVoice-ASR-Streaming-7B：流式语音识别开源模型 — microsoft · 2026-09-02
• 微软开源 VibeVoice-ASR-Streaming-7B 流式语音识别模型 — Acceptable-Cycle4645 · 2026-09-03
• 微软发布 VibeVoice-Streaming ASR，实时转写并区分说话人 — donglixp · 2026-09-03
• 【源头】微软开源 VibeVoice-ASR-Streaming 流式说话人分离识别模型 — realmrfakename · 2026-09-03
• 【源头】微软开源流式语音识别模型 VibeVoice-ASR，统一说话人分离与转写 — microsoft · 2026-09-03
• 微软发布 VibeVoice-ASR-Streaming：首个 LLM 端到端流式说话人归属识别 — realmrfakename · 2026-09-04