VibeVoice

VibeVoice 是微软研究院开源的一款 1.5B 参数的大规模 TTS 模型，专为长音频生成场景设计。与传统的 TTS 模型不同，VibeVoice 可以在单次推理中生成最长 90 分钟的连续语音，无需分段拼接，从而保证了长文本下语音的自然度和连贯性。

在架构设计上，VibeVoice 采用连续语音分词结合扩散生成架构，突破传统自回归模型在长序列生成上的瓶颈。该模型支持最多 4 个说话人的音色切换，适合需要多角色演绎的内容创作场景。其长音频一致性评测 MOS 达到 4.6 分，显著优于同类模型。

⚠️ 项目状态变更： 2025 年 9 月，微软移除了 VibeVoice 仓库中的 TTS 训练和推理代码。目前项目已转向聚焦 ASR（自动语音识别）和语音处理方向。原始 TTS 模型的权重和论文仍可获取，但不再通过此仓库进行维护。查看 VibeVoice GitHub 仓库 了解最新状态。