vibevoice科幻影视

云平台一键部署【 VibeVoice】长对话式文本转语音模型

VibeVoice 是一个用于从文本生成富有表现力、长篇幅、多说话人对话音频（如播客）的新型框架。它解决了传统文本到语音（TTS）系统中的重大挑战，特别是在可扩展性、说话人一致性和自然话轮转换方面。

最近，微软悄悄把开源的语音生成模型 VibeVoice 全都下架，只留下一个 1.5B 的小模型。

这项由微软研究院的彭志良、俞建伟、王文辉、常耀耀等多位研究人员领导的突破性研究发表于2024年8月，研究成果已在arXiv平台公开发布（论文编号：arXiv:2508.19205v1）。对这项技术感兴趣的读者可以通过微软官方项目页面(aka.ms/VibeVo

想象一下，你手边有个魔法盒子，只需输入一段文字脚本，它就能瞬间吐出长达90分钟的自然对话音频——不止一个声音，而是最多四个不同说话者，语气生动、转折流畅，仿佛真人聊天！这不是科幻电影，而是微软刚刚开源的VibeVoice TTS模型带来的现实革命。

说起语音合成技术，大多数人可能还停留在那种机械化、单调乏味的电脑声音印象中。前几天，微软研究院刚刚推出的VIBEVOICE技术，彻底颠覆了我们对AI语音合成的认知。这项技术最令人震撼的地方在于，它能够一口气生成长达90分钟的多人对话音频，听起来就像真人在进行自

微软刚刚发布了 VibeVoice，它看起来像是对 Google NotebookLM 的严重威胁，而 NotebookLM 目前仍是 AI 播客生成领域的霸主。作为开源模型且体积较小，这看起来是对 Notebook LM 的一个开放挑战。

AI 自动生成播客早已不是新鲜事，但常见的 AI 播客只局限于几分钟的双人对话，这是因为传统语音生成模型大多基于离散化方法，更擅长生成短句、单一音色、结构规整的语音内容。近日，微软亚洲研究院提出了一种全新的语音生成模型 VibeVoice。该模型采用 next