マイクロソフト、1時間の音声を一括処理する「VibeVoice-ASR」を公開
MicrosoftはHugging Face上で音声認識モデル「VibeVoice-ASR」を公開した。音声を細切れに分割せず、最大60分の連続音声を64Kトークン内で一度に処理可能。話者識別、タイムスタンプ、カスタムホットワードに対応し、50以上の言語の混在音声も認識できる。
VibeVoice-ASR
マイクロソフトが音声認識モデル「VibeVoice-ASR」を公開、最長60分を一括処理
マイクロソフトが9Bサイズの音声認識モデル「VibeVoice-ASR」をオープンソースで公開した。音声を細切れにせず最長60分の一括処理が可能で、文字起こし・話者分離・タイムスタンプ出力を統合。長時間の会議やポッドキャストでも文脈が途切れず、微調整にも対応する。