微软发布全新的实时文本转语音模型 VibeVoice-Realtime-0.5B。尽管模型规模仅为0.5B，但却具备接近实时的语音生成能力，最快可在约300毫秒内开始发声，实现“话未说完音已先到”的流畅体验。该模型支持中英文实时转录与语音生成，其中中文表现略逊于英文，但整体依然保持高流畅度与高还原度。

VibeVoice-Realtime-0.5B 的自然音质表现备受关注。官方示例显示，其生成的语音连贯、自然，可持续朗读长文本内容，最长可稳定输出90分钟语音而不出现明显断续或风格漂移。

与此同时，模型支持多角色语音场景，可在单次会话中呈现最多4位角色的自然对话，并在长时间交流中保持各自独特的语气、节奏和音色特征，适用于播客、访谈或虚拟主持类场景。

在情感表达方面，模型可自动识别文本语义并生成相匹配的情绪语调，包括愤怒、歉意、激动等细微变化，让语音更贴近真人表达。同时，VibeVoice-Realtime-0.5B 拥有稳定的上下文记忆能力，可在长段发言中保持语调、逻辑与速度一致，使整体呈现更真实、更具可听性。

相比传统大型语音模型，VibeVoice-Realtime-0.5B 的小体积和低延迟优势尤为突出。其轻量化设计适合直接嵌入应用设备，可为智能助手、对话系统、智能硬件带来更接近真人的即时语音交互体验。

微软表示，随着 VibeVoice 的开放，未来将有更多应用场景具备“开口即说”的 AI 语音能力。