VibeVoice-ASR 是一款统一式语音转文本模型，专为长音频转录与结构化会议记录打造，能够单次处理最长 60 分钟连续音频，无需切片即可完成高质量识别。它不仅能输出完整文本，还可同步标注 谁说的（Speaker）、何时说的（Timestamp） 和 说了什么（Content），实现真正结构化的语音转录。
相比传统 ASR 模型需要将长音频切分处理，VibeVoice-ASR 支持 64K Token 长上下文输入，可在整段音频范围内保持更稳定的说话人追踪和语义连贯性，特别适合会议、访谈、播客等长时语音场景。
核心功能：
🕒 60 分钟单次处理：无需切片，整段长音频直接识别
👤 说话人识别（Diarization）：自动区分不同发言人
⏱️ 时间戳标注：精准定位每段发言时间
📝 结构化转录输出：完整生成 Who / When / What 格式结果
🎯 自定义热词（Hotwords）：提升专业术语、人名识别准确率
🌍 50+ 多语言支持：自动识别语言，无需手动设置
🔄 原生代码混说支持：可处理中英混说、多语言切换场景
应用场景：
📋 会议纪要自动生成
🎙️ 播客 / 访谈转录
📚 在线课程字幕制作
🏢 企业语音归档与检索
🤖 AI Agent / 语音助手理解长语音输入

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

☞☞☞☞☞☞  右侧下载整合包  ☞☞☞☞☞☞

配置要求：

电脑需满足以下配置：

  • 操作系统：Windows 10/11 64位
  • 内存：建议32G以上
  • 显卡：至少16G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41.2G，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-asr/）点击页面右侧下载按钮（手机端在页面底部），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 上传音频，根据说明调整参数（或者保持默认即可），开始识别，查看识别结果

如下图所示

④ 在文件包中的“outputs”文件夹中也可以找到识别结果

 

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。