# 下一token扩散

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。

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。