在线教程 | VibeVoice-1.5B独创双Tokenizer架构实现一次性生成90分钟4人对话语音，重新定义TTS技术边界
💡
原文中文，约1900字，阅读约需5分钟。
📝
内容提要
微软开源的VibeVoice-1.5B模型在TTS领域备受关注，能够生成90分钟的高自然度语音，支持4位说话者。其创新点在于双Tokenizer架构和扩散解码技术，MOS评分达到4.5。该模型主要面向科研和开发者，目前仅支持中英文，强调研究用途以防滥用。
🎯
关键要点
- 微软开源的VibeVoice-1.5B模型在TTS领域引起关注，能够生成90分钟的高自然度语音，支持4位说话者。
- 模型的核心创新在于双Tokenizer架构和扩散解码技术，MOS评分达到4.5。
- VibeVoice-1.5B主要面向科研与开发者，支持中英文，强调研究用途以防滥用。
- 模型无法处理语音重叠或生成背景音效，内置免责声明和水印技术。
- 教程已上线至HyperAI超神经官网，用户可通过链接一键部署和运行Demo。
❓
延伸问答
VibeVoice-1.5B模型的主要功能是什么？
VibeVoice-1.5B模型能够一次性生成长达90分钟的高自然度语音，并支持最多4位不同说话者的对话。
VibeVoice-1.5B的核心创新技术有哪些？
该模型的核心创新在于双Tokenizer架构和扩散解码技术。
VibeVoice-1.5B模型的MOS评分是多少？
VibeVoice-1.5B的官方盲测MOS评分高达4.5。
VibeVoice-1.5B模型适合哪些用户群体？
该模型主要面向科研与开发者社区。
VibeVoice-1.5B模型支持哪些语言？
目前该模型仅支持中英文。
如何使用VibeVoice-1.5B模型进行语音生成？
用户可以通过HyperAI超神经官网的教程页面，选择说话人数和输入对话文本后点击生成。
🏷️
标签
➡️
