限制與負責任 AI

官方定位為研究與開發用途。未經進一步的安全與品質測試，不建議直接用於商業部署。

依模型而定。TTS 以英文、中文最穩定，其他語言較不穩。離線版 ASR 原生支援 50+ 種語言，但串流版收斂到 10 種（中、英、法、德、義、日、韓、葡、俄、西）。Realtime 則內建多語語音（德、法、義、日、韓、荷、波、葡、西）與 11 種英文風格音色。

有——模型內建不可察覺的浮水印以標記 AI 生成，並鼓勵加上可聽見的聲明。使用時都應主動揭露音訊為 AI 生成。

TTS 方面，1.5B 模型可在 RTX 4070 Ti（12GB）以 BF16 執行；全品質峰值約 14GB VRAM。在 A100 40GB 上，90 分鐘合成約需 8–12 分鐘，實時因子（RTF）約 0.1×。辨識則已經不一定需要 GPU：BitNet 版只有 1.58 GB，三條 CPU 執行緒就能達到實時因子小於 1。

可以，2026 年 9 月起支援。VibeVoice-ASR-Streaming（1.5B 與 7B）每收到一個音訊區塊就吐出一段帶語者標註的文字，不必等錄音結束。不過節奏要老實看待：官方權重採用約 2.9 秒的區塊搭配約 0.5 秒前瞻，所以它是即時逐字稿，而非零延遲。

串流版目前還沒有。微軟自家技術報告指出 7B 串流模型在五組評測集上的平均 WER/CER 最低，並在 13 項語者標註設定中的 12 項取得最佳或並列最佳——但那是作者自己的數據。建議當成起點，用自己的音訊實測。

不行。它無法合成同時重疊的發話、背景音樂或音效——架構是為乾淨、依序的對話而調校。

僅支援基本情緒。超出簡單語氣的細緻情緒控制有限。

微軟因濫用疑慮暫時移除了 TTS 程式碼。權重仍留在 Hugging Face，存取狀態隨時間有所變動。

MIT 授權。

高品質合成語音可能被用於假冒、詐騙或散布不實資訊。請揭露 AI 生成內容、查核轉寫結果，並避免誤導性的應用。