Microsoft 開源 VibeVoice-ASR：單次轉錄 60 分鐘音訊，自帶說話人識別
Microsoft 在 Hugging Face 開源語音識別模型 VibeVoice-ASR。它能在 64K 長度內一次性處理長達 60 分鐘的連續音訊而無需切片，同步輸出說話人、時間戳與轉錄文本，同時支援自定義熱詞和 50 多種語言的混說轉錄。
VibeVoice-ASR
微軟開源 VibeVoice-ASR：單次處理 60 分鐘音訊，自帶說話人分離
微軟開源語音識別模型 VibeVoice-ASR（9B 引數）。它摒棄了傳統的切塊轉錄做法，單次可直接處理長達 60 分鐘音訊，並端到端一體化輸出文本、時間戳與說話人分離結果。長會議和播客轉錄不再擔心上下文割裂，程式碼已開源並支援微調。