微软发布 VibeVoice 0.5B:仅 0.5B 参数却实现 300 毫秒实时开口
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...
