VibeVoice 是微软推出的新型文本到语音（TTS）模型，能生成富有表现力、长篇幅、多说话者的对话式音频，如播客。模型通过创新的连续语音标记化技术和下一代标记扩散框架，结合大型语言模型（LLM），实现高效处理长序列音频的能力，同时保持高保真度。

开源地址：https://github.com/microsoft/VibeVoice

☞☞☞☞☞☞  一键启动包在右侧下载  ☞☞☞☞☞☞

 

配置要求：

电脑满足以下配置：

  • 操作系统：Windows 10/11 64位，系统用户名不要含有中文字符
  • 内存：16G以上（内存不足可以通过增加虚拟内存的方式解决，具体操作方法网上教程很多，可自行百度）
  • 显卡：1.5B模型至少8G及以上显存的英伟达（NVIDIA）显卡，7B模型需要24G及以上显存的英伟达（NVIDIA）显卡
  • CUDA：显卡支持的CUDA版本大于等于12.8版本（如不知道显卡支持的CUDA版本，可点击此链接查看：https://aiyy.info/supported-cuda-versions/）
  • 整个包解压完约37.8G，要留足硬盘空间

 

如何查看显卡品牌型号和显存：

  • 打开任务管理器
  • 点击“性能”
  • 点击“GPU”
  • 右上角可以看到显卡型号，下方可以看到显存大小

 

使用教程：

① 打开下载页面（https://aiyy.info/vibevoice/）点击页面右侧下载按钮，下载整合包之后解压，建议使用winrar解压（解压软件在文件包中，或者可以自己下载安装，下载地址：https://www.winrar.com.cn/）

不要用Windows自带解压！！不要用360解压！！

注意：文件夹路径和文件名称（包括音频、图片、视频等文件名称）不要出现中文字符，否则部分软件会因识别不出而报错

② 双击“一键启动.bat”，稍等片刻会在浏览器中自动打开操作界面

③ 先调整说话人数量，然后挨个选择说话人声音（有英文音色也有中文音色，不过中文生成效果不太好），再输入对话文本（需要严格按照示例格式），最后点击“生成播客”即可

如下方所示

④ 点击生成结果右上角的下载按钮可以保存至指定文件夹

 

声明： ① 本站所有资源版权均属于原作者所有，这里所提供资源均只能用于参考学习用，请勿直接商用。若由于商用引起版权纠纷，一切责任均由使用者承担。更多说明请参考赞助计划。 ② 本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。