VibeVoice-1.5B：微软开源文本转语音模型，可合成四个不同说话者长达 90 分钟的语音
原文中文，约2300字，阅读约需6分钟。
📝
内容提要
微软的VibeVoice-1.5B是开源文本转语音技术的重大进展，支持长达90分钟的多说话人音频生成，具备跨语言和歌唱合成能力，采用流式架构，强调情感表现，适合播客和对话场景。
🔎
延伸解读
多说话人合成的应用前景
VibeVoice-1.5B支持同时生成多达四个说话人的音频，这一特性使其在播客、对话系统等场景中具有广泛应用潜力。与传统TTS模型相比，它能够更自然地模拟人类对话，提升用户体验。
法律与道德风险的关注
微软明确禁止将VibeVoice-1.5B用于语音模仿和虚假信息传播等用途。用户在使用时需遵循法律法规，确保透明度，以避免潜在的法律和道德风险。
技术限制与未来发展
尽管VibeVoice-1.5B在多说话人合成和情感表现上表现出色，但目前仅支持英语和中文，且不支持重叠语音。未来的7B模型预计将解决这些限制，进一步提升实时交互能力。
❓
Q&A
VibeVoice-1.5B的主要功能是什么？
VibeVoice-1.5B支持长达90分钟的多说话人音频生成，最多可同时生成四个不同的说话者，具备跨语言和歌唱合成能力。
VibeVoice-1.5B的开源许可证是什么？
VibeVoice-1.5B采用MIT许可证，完全开源且商业友好。
VibeVoice-1.5B适合哪些应用场景？
该模型适合播客、对话场景等需要情感表现的应用。
VibeVoice-1.5B的技术架构有什么特点？
VibeVoice-1.5B采用流式架构，集成了声学和语义标记器，支持高效的长时间合成。
VibeVoice-1.5B的语言支持情况如何？
该模型主要针对英语和中文进行训练，支持跨语言合成，但不支持其他语言。
使用VibeVoice-1.5B需要什么样的硬件？
运行VibeVoice-1.5B建议使用至少8GB的GPU VRAM，例如RTX 3060。
🏷️
