微软开源统一语音识别模型VibeVoice-ASR，赋能长音频处理

微软近日开源了全新的统一语音识别模型VibeVoice-ASR，其参数量高达惊人的900亿。该模型专门针对长音频理解任务而设计，能够一次性处理最长60分钟的连续语音流，并在单次推理中直接输出结构化的转录结果——包含说话人身份标识、毫秒级精确时间戳及对应的文本内容。此外，该模型还支持用户灵活地注入领域专属热词，从而增强对专业术语、专有名词或上下文敏感词汇的识别鲁棒性。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

VibeVoice-ASR的核心能力亮点：

• 原生支持长达60分钟的端到端音频处理：区别于传统自动语音识别（ASR）模型需将长音频切分为数秒级短片段（易造成上下文断裂与说话人混淆），VibeVoice-ASR原生适配最大长度为64K token的音频序列，完整覆盖一小时语音，保障跨时段说话人一致性建模与语义连贯性建模。
• 可配置热词引导机制：用户可通过简单接口传入自定义热词列表（如企业名称、产品型号、学术概念等），模型在解码阶段动态强化相关词元概率，显著提升垂直场景下的识别精度。
• 三位一体化结构化输出（Who-When-What）：模型深度融合语音识别、声纹区分与时间定位能力，同步完成说话人分离、起止时间标注与文本转写，最终生成清晰可解析的“谁在何时说了什么”格式结果。

模型整体架构如下：

开源地址