VibeVoice-ASR 稳定版 | 微软开源长音频语音识别模型 下载

核心参数

核心功能亮点

1. 60分钟超长音频无缝处理：原生支持单次解析长达60分钟的连续音频，无需分段切割，确保全局语境与语义连贯性，避免传统ASR分段导致的说话人跟踪中断与逻辑割裂问题。
2. 精细化多说话人识别：自动完成声纹聚类与角色划分，精准区分并标注每位发言者，输出结构化转录成果，清晰呈现"谁在何时说什么"，适配会议、访谈等多人对话场景。
3. 自定义热词增强机制：支持添加专有名词、行业术语、人名地名等个性化词汇，提升专业领域转录准确率，适配医疗、法律、科技等垂直行业使用需求。
4. 高效离线本地处理：所有语音识别操作可在本地设备完成，无需上传云端，保护敏感数据隐私，支持CPU与GPU加速（NVIDIA/AMD/Intel），百分钟音频转录效率显著提升。
5. 结构化输出与多格式导出：支持JSON、SRT、TXT等多种格式导出，可直接用于字幕制作、文本分析，内置时间戳精确到毫秒，便于快速定位音频片段。
6. 无缝集成VibeVoice生态：可与VibeVoice-TTS（语音合成）协同工作，实现语音转文字与文字转语音双向处理，适配实时流式应用场景，提供一站式语音解决方案。

使用教程

1. 环境准备：安装Python 3.10+、PyTorch 2.0+，建议配置GPU加速（显存≥6GB），克隆官方代码库：git clone https://github.com/microsoft/VibeVoice.git，安装依赖：pip install -r requirements.txt。
2. 模型下载：从Hugging Face或官方镜像下载对应版本模型（基础版/大型版），解压至指定目录，配置模型路径环境变量。
3. 基础转录操作：运行命令行工具，输入音频文件路径，设置输出格式与参数（如--num_speakers 2指定2位说话人），执行转录：python [run_asr.py](run_asr.py) --audio_path input.wav --output_path output.json。
4. 自定义热词配置：创建热词文本文件，每行一个词汇，运行时添加参数--hotwords_path custom_words.txt，提升特定词汇识别准确率。
5. 结果导出与应用：转录完成后，可通过工具将JSON格式转为SRT字幕文件或纯文本，用于视频编辑、文档整理，支持批量处理多个音频文件，提升工作效率。

安全与使用提醒

1. 优先通过GitHub官方仓库获取代码与模型，避免第三方修改版植入恶意程序，保障设备与数据安全。
2. 处理大型音频文件时，建议预留足够磁盘空间与内存，GPU加速可大幅缩短处理时间，低配设备推荐使用基础版模型。
3. 多说话人识别效果受音频质量影响，建议使用清晰无杂音的音频源，距离麦克风适中，提升识别准确率。
4. 开源模型可根据需求二次开发，遵循MIT许可证规范，注明原始出处，尊重知识产权。