microsoft/VibeVoice来源发表:
微软发布VibeVoice-ASR-Streaming：语音还在输入，转写已按块给出说话人、时间与内容
核心概要
微软发布VibeVoice-ASR-Streaming，把此前需要整段音频一次性处理的“谁说了什么”转写改为随语音到达持续输出。此前的VibeVoice-ASR面向60分钟长音频单次处理，在64K token长度内生成含说话人、时间戳与内容的结构化转写。新模型按块输出文本，并支持自定义热词与10种语言。
深度剖析
微软把VibeVoice-ASR的转写方式从整段音频一次性处理改为流式处理，语音还在到达时就持续输出“谁说了什么”。 此前的VibeVoice-ASR面向长音频单次处理，设计上可在64K token长度内接收最长60分钟连续音频，以保持说话人跟踪与语义一致。 发布信息给出的对照是处理时机：旧路径要等音频成段后统一转写，新模型在音频到达过程中按块产出文本。
流式版本沿用统一语音转文字模型的结构化输出目标，即同时给出说话人、时间戳与内容。 这一输出形态来自VibeVoice-ASR，其结构化转写包含Who、When、What三项，并支持用户自定义上下文。 发布信息说明新模型支持自定义热词与10种语言，并提供了演示与模型入口。
启示与展望
已展示的范围是微软发布的VibeVoice-ASR-Streaming模型及其演示与模型入口，支持自定义热词和10种语言；适合关注语音转写集成的工程读者。
发布信息未给出流式模式下的转写准确率、延迟或与整段处理的对比结果，实际表现需以模型与报告中的评测为准。