8 月 27 日消息，科技媒體 marktechpost 于 8 月 25 日發布博文，報道稱微軟發布開源文本轉語音（TTS）模型 VibeVoice-1.5B，可一次生成最長 90 分鐘、最多 4 位不同說話者的自然語音，并支持跨語言及歌聲合成。5Uz28資訊網——每日最新資訊28at.com

在架構方面，VibeVoice-1.5B 基于 1.5B 參數的 Qwen2.5 語言模型，結合聲學（Acoustic）與語義（Semantic）雙分詞器（Tokenizer），以 7.5Hz 低幀率處理。5Uz28資訊網——每日最新資訊28at.com

5Uz28資訊網——每日最新資訊28at.com

聲學分詞器使用 σ-VAE 結構，將 24kHz 原始音頻壓縮至 3200 分之一；語義分詞器則通過語音識別代理任務訓練，保留對話語義。解碼端采用 1.23 億參數的擴散解碼器，結合分類器自由引導和 DPM-Solver，來提升音質與細節表現。5Uz28資訊網——每日最新資訊28at.com

5Uz28資訊網——每日最新資訊28at.com

該模型為確保在長篇對話中保持語音連貫性與說話人一致性，在訓練中逐步擴展上下文長度，從 4k 至 65k Tokens，其架構支持多說話者的輪流發言，模擬自然對話場景，且可在流式模式下生成長音頻，為未來實時 TTS 奠定基礎。5Uz28資訊網——每日最新資訊28at.com

VibeVoice-1.5B 也有局限，目前僅支持英語與中文，其他語言可能出現不準確或不當內容；不支持說話人語音重疊，也無法生成背景音效或音樂。微軟明確禁止將該模型用于聲音冒充、虛假信息傳播或繞過身份驗證等用途，并提醒用戶遵守法律并標明 AI 生成來源。5Uz28資訊網——每日最新資訊28at.com

微軟表示，該模型主要面向科研和開發者社區，適合播客制作、對話式 AI、語音內容生成等領域。未來將推出參數更大的 7B 版本，支持低延遲交互和更高保真度的實時合成，進一步拓展應用場景。5Uz28資訊網——每日最新資訊28at.com

附上參考地址5Uz28資訊網——每日最新資訊28at.com

微軟 VibeVoice-1.5B 技術報告5Uz28資訊網——每日最新資訊28at.com

Hugging Face 5Uz28資訊網——每日最新資訊28at.com

GitHub5Uz28資訊網——每日最新資訊28at.com

本文鏈接：http://www.rrqrq.com/showinfo-45-27066-0.html播客神器：微軟開源 VibeVoice-1.5B 音頻模型，支持中文、可生成 90 分鐘 4 人聊天語音

聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com

上一篇： 使用盜版書籍訓練 AI，Anthropic 與作家群體就集體訴訟達成和解

下一篇： ChatGPT 被指導致美國一名 16 歲少年自殺：未有效干預且起到“教學”作用