💡
原文中文，约2000字，阅读约需5分钟。
📝
内容提要
微软推出了VibeVoice-ASR，一个开源的语音转文本模型，支持最长60分钟的音频处理，输出结构化文本，包括“谁”、“何时”、“什么”。该模型允许用户自定义热词，以提高识别准确性，适合会议记录和长时间通话。
🎯
关键要点
- 微软推出了VibeVoice-ASR，一个开源的语音转文本模型。
- 该模型支持最长60分钟的音频处理，输出结构化文本，包括“谁”、“何时”、“什么”。
- VibeVoice-ASR允许用户自定义热词，以提高识别准确性，适合会议记录和长时间通话。
- 模型在64K标记长度预算内接收长达60分钟的连续音频输入，保持说话人身份和主题上下文。
- 自定义热词功能使用户能够针对特定领域调整识别过程，无需重新训练模型。
- 模型联合执行自动语音识别、人声分割和时间戳功能，返回结构化输出。
- 使用DER、cpWER和tcpWER评估模型在多说话人长篇数据上的表现。
- VibeVoice-ASR在VibeVoice开源堆栈中以MIT许可证发布，附带官方权重和微调脚本。
❓
延伸问答
VibeVoice-ASR是什么？
VibeVoice-ASR是微软推出的一个开源语音转文本模型，支持最长60分钟的音频处理，输出结构化文本。
VibeVoice-ASR如何处理长时间音频？
该模型在64K标记长度预算内接收长达60分钟的连续音频输入，保持说话人身份和主题上下文。
用户如何自定义VibeVoice-ASR的热词？
用户可以提供特定的热词，如产品名称或技术术语，模型会根据这些热词调整识别过程，无需重新训练。
VibeVoice-ASR的输出格式是什么样的？
模型返回结构化的转录文本，包含“谁”、“何时”、“什么”等信息，适合下游处理。
VibeVoice-ASR的评估指标有哪些？
评估指标包括DER（说话人分割错误率）、cpWER和tcpWER，主要用于多说话人对话场景。
VibeVoice-ASR的应用场景有哪些？
该模型适合用于会议记录、讲座录音和长时间通话等任务。
➡️
