版本比較
VibeVoice 五個版本並列比較——依任務挑對的那一個。
Realtime-0.5B 0.5B 即時串流 | TTS-1.5B 1.5B 旗艦 | ASR-7B 7B 辨識 | ASR-Streaming 1.5B / 7B 即時逐字稿 | ASR-BitNet 1.58 GB 邊緣 CPU | |
|---|---|---|---|---|---|
| 任務類型 | 語音合成（串流） | 語音合成 | 語音辨識 | 語音辨識（串流） | 語音辨識 |
| 最長處理長度 | 約 10 分鐘 | 90 分鐘 | 60 分鐘 | 持續不限 | 60 分鐘 |
| 同時語者 | 1 | 最多 4 | — | — | — |
| 脈絡長度 | 8K | 64K | 64K | 滾動視窗 | 64K |
| 串流文字輸入 | check | — | — | — | — |
| 低延遲（約 300ms） | check | — | — | 約 2.9 秒一段 | — |
| 多語者一致 | — | check | — | — | — |
| 時間戳 + 語者標註 | — | — | check | check | check |
| 免 GPU 可執行 | — | — | — | — | check |
| 語言 | 多語音色 | 英・中為主 | 50+ 語言 | 10 種語言 | 英・中等 |
| 適合場景 | AI 代理語音 | 長篇 Podcast | 逐字稿 | 即時字幕 | 裝置端離線 |