微软开放VibeVoice TTS模型：支持90分钟长语音播放，适用于4人会话，中文表现令人惊叹！
发布时间：2025-08-26 15:02:16 | 责任编辑：吴昊 | 浏览量：12 次
近日，微软推出了一款备受瞩目的开源文本转语音（TTS）模型——VibeVoice，引发了AI语音技术领域的高度关注。这款模型以其强大的功能和卓越的性能，为长篇语音生成、多人对话以及中文语音合成树立了新的标杆。以下，小编将为您详细解析VibeVoice的亮点与潜力。
支持90分钟超长语音生成，突破时长限制
VibeVoice模型在语音生成时长上实现了重大突破，可一次性生成长达90分钟的连续语音。这一特性尤其适合需要长时间音频输出的场景，如播客、有声书和教育内容制作。相比传统TTS模型的时长限制，VibeVoice的超长生成能力为内容创作者提供了更大的灵活性和创作空间。
多人对话新高度，最多支持4人语音
与以往TTS模型仅支持单人或双人对话的局限不同，VibeVoice能够流畅生成最多4人的对谈语音。这一功能在模拟多人播客、会议录音或虚拟角色互动等场景中表现出色。得益于其在语音一致性和自然轮转上的优化，VibeVoice生成的多人对话语音自然流畅，几乎可媲美真人录音效果。
中文语音效果优异，助力本土化应用
对于中文市场，VibeVoice展现了令人印象深刻的表现。其支持中文语音合成，且在语调、发音准确性和自然度上均达到了高水平。这使得VibeVoice在中文播客、教育培训、智能客服等领域具有广泛的应用潜力，为开发者提供了高质量的本土化语音解决方案。
支持背景音乐，打造沉浸式播客体验
VibeVoice的另一大亮点是支持生成带背景音乐的播客音频。这一功能让内容创作者能够轻松为语音添加背景音效，打造更具沉浸感和专业性的音频内容。无论是轻松的背景旋律还是紧张的氛围音效，VibeVoice都能无缝融合，为听众带来更丰富的听觉体验。
开源赋能开发者，未来应用前景广阔
作为一款开源模型，VibeVoice已于2025年8月26日在GitHub正式发布，开发者可自由获取并进行二次开发。微软此次开源的举措，不仅降低了高质量TTS技术的使用门槛，也为全球AI开发者社区注入了新的活力。无论是个人创作者还是企业用户，都可以通过VibeVoice快速构建创新的语音应用。
地址：https://huggingface.co/microsoft/VibeVoice-1.5B
。
核心亮点
-
超长语音合成：打破传统TTS只能合成60分钟以内语音的极限，VibeVoice可连续稳定输出90分钟，且不会出现30分钟后的音色漂移、语义断裂等问题
。
-
多说话人对话：支持最多4名不同说话人（如2男2女）在同一音频中自然切换，远超以往开源模型仅支持1-2人的限制
。
-
超高压缩率：对24kHz原始音频实现 3200倍累计压缩，压缩效率是主流Encodec模型的80倍，同时保持高保真音质
。
-
中文效果惊艳：官方Demo展示了中英文混合播客、西游记中文故事、科技资讯等案例，语音自然流畅，情绪丰富，几乎难辨合成痕迹
。
技术突破
-
首创双Tokenizer架构：声学Tokenizer负责保留声音特征并实现极致压缩，语义Tokenizer确保文本语义与语音语调高度对齐，解决传统模型音色与语义不匹配难题
。
-
大语言模型驱动：基于预训练Qwen2.5大语言模型，采用“角色-语音-文本”交错输入格式，精准控制多说话人轮替与上下文理解
。
-
课程学习训练：逐步将输入序列长度从4096提升到65536个token（对应90分钟音频），避免超长序列训练失败，训练效率提升50%
。
开源与体验
-
在线Demo：VibeVoice 在线体验
VibeVoice的出现，标志着语音合成技术在长对话、多角色、跨语言等复杂场景下迈出了里程碑式的一步，中文效果尤为惊艳！
本网站(https://aigc.izzi.cn)刊载的所有内容，包括文字、图片、音频、视频等均在网上搜集。
访问者可将本网站提供的内容或服务用于个人学习、研究或欣赏，以及其他非商业性或非盈利性用途，但同时应遵守著作权法及其他相关法律的规定，不得侵犯本网站及相关权利人的合法权利。除此以外，将本网站任何内容或服务用于其他用途时，须征得本网站及相关权利人的书面许可，并支付报酬。
本网站内容原作者如不愿意在本网站刊登内容，请及时通知本站，予以删除。
上一篇： 未成年人保护模式在豆包正式推出
下一篇： 国内大模型的兴起，智能体开启AI新纪元！
