VibeVoice-TTS · 1.5B
長語音多語者合成：單次最長 90 分鐘、最多 4 位語者，音色維持一致。
模型家族
六個開源權重，同一套設計語言。點卡片看完整說明。
5 筆結果
VibeVoice-ASR · 7B
長音訊辨識：單次 60 分鐘，輸出「誰、何時、說了什麼」——語者、時間戳與內容。
VibeVoice-Realtime · 0.5B
輕量即時串流：首字延遲約 300 毫秒，支援串流文字輸入，可穩定生成約 10 分鐘。
VibeVoice-ASR-Streaming · 1.5B / 7B
音訊還在進來時就邊聽邊轉寫「誰說了什麼」，約每 2.9 秒吐出一段文字。
VibeVoice-ASR-BitNet · CPU
把 ASR 模型從 4.62 GB 壓到 1.58 GB——幾條 CPU 執行緒就跑得比即時還快，不需要 GPU。