VibeVoice

VibeVoice 是微软最新开源的前沿语音合成框架，采用连续语义-声学双 Tokenizer + 扩散模型架构，可在单条 64 K 上下文中合成最长 90 分钟、4 位说话人的自然对话音频。模型支持跨语言（中英混合）、情感表达、即兴歌唱与背景氛围音生成，效果媲美专业播客，已开源 1.5 B / 7 B 两套权重，MIT 许可，可商用可魔改。

主要特点

• 超长上下文：32–64 K token，单条音频 90 min
• 多说话人一致：4 个角色音色稳定，男女老幼任意组合
• 跨语言混读：中英文无缝切换，情感自然
• 流式推理：逐句实时生成，边录边播
• 开源可商用：MIT 协议，HuggingFace/GitHub 一键下载

如何使用

1. 克隆仓库并安装：
   git clone https://github.com/microsoft/VibeVoice && cd VibeVoice && pip install -e .
2. 启动 Gradio Demo：
   python demo/gradio_demo.py --model_path microsoft/VibeVoice-1.5B --share
3. 输入文本+角色标签，即可在线生成并试听/下载高保真音频。

适用人群

播客创作者、有声书制作人、虚拟助手开发者、教育内容机构、游戏语音设计师及所有需要长对话语音合成的研究或商业团队。