VibeVoice

VibeVoice 是一个开源的前沿语音人工智能项目，提供高质量的语音合成（TTS）与语音识别（ASR）能力。核心功能包括支持多语言、长时音频（60分钟单次处理）的结构化语音转写（含说话人、时间戳与内容），以及实时低延迟的文本转语音生成；技术上采用统一架构设计，支持 Hugging Face Transformers 集成、vLLM 加速推理，并开放微调代码。适用于会议记录、音视频内容分析、无障碍交互、智能客服等需高精度、长上下文语音理解与自然语音生成的场景。