微软开源 VibeVoice-ASR-Streaming 流式说话人分离识别模型

realmrfakename · x · 2026-09-03

微软发布开源流式 ASR 模型 VibeVoice-ASR-Streaming，可在语音实时到达时持续转写「谁在说什么」，单模型同时支持转写与说话人分离（diarization），覆盖 10 种语言并支持自定义热词。模型已上架 Hugging Face（7B 版本），代码在 GitHub，仓库已获 5.3 万+ star。配套动态还包括：VibeVoice-ASR-BitNet 通过异构量化（I8S + I2S）把模型从 4.62GB 压到 1.58GB，可在 3+ 线程 CPU 上实时推理（RTF < 1）、无需 GPU；VibeVoice ASR 也已集成进 Azure AI Foundry Labs 与 Transformers。第三方评价称其可对标闭源模型。