Microsoft 开源 VibeVoice-ASR：单次转录 60 分钟音频，自带说话人识别
Microsoft 在 Hugging Face 开源语音识别模型 VibeVoice-ASR。它能在 64K 长度内一次性处理长达 60 分钟的连续音频而无需切片，同步输出说话人、时间戳与转录文本，同时支持自定义热词和 50 多种语言的混说转录。
VibeVoice-ASR
微软开源 VibeVoice-ASR：单次处理 60 分钟音频，自带说话人分离
微软开源语音识别模型 VibeVoice-ASR（9B 参数）。它摒弃了传统的切块转录做法，单次可直接处理长达 60 分钟音频，并端到端一体化输出文本、时间戳与说话人分离结果。长会议和播客转录不再担心上下文割裂，代码已开源并支持微调。