VibeVoice ASR 是什么？微软开源流式语音识别 10 语种

VibeVoice ASR 是微软研究院 2026 年 9 月 2 日上架 Hugging Face 的开源流式语音识别模型，7B 参数、MIT 协议可商用（模型卡）。它解决的问题是：语音一边进来一边出文字，还顺手告诉你每句话是谁说的，支持中文等 10 种语言，上线一周 HF 页面点赞已超过 180。

它是什么来头

模型全名 VibeVoice-ASR-Streaming-7B，出自微软研究院，代码开源在 GitHub 的 microsoft/VibeVoice 仓库（官方仓库），模型权重托管在 Hugging Face，同页附在线 Demo（aka.ms/vibeasr）和技术报告（arXiv 2609.02812）。定位很清楚：不是又一个整段转写工具，而是给实时场景用的「边听边写」模型。

三个核心能力，各自意味着什么

1. 流式说话人转写：语音边进边转写，每句话标注说话人。对会议、播客、客服录音来说，省掉了「先转写再分离说话人」的两步工序
2. 自定义热词：把人名、产品名、术语预先喂给模型，专有名词识别率明显提升。做垂直领域内容（医疗、法律、游戏）的团队最需要这个
3. 10 种语言：中、英、日、韩、法、德、意、葡、俄、西，中文在官方支持列表里，国内用户可以直接测

和 Whisper 这类老牌 ASR 的边界

Whisper 系工具以整段转写为主，想要说话人区分通常要另接声纹分离工具再对齐时间轴。VibeVoice ASR 把流式、说话人归属、热词三件事做进同一个模型，对做实时字幕、会议纪要的开发者来说少写一整段胶水代码。注意边界：它只管听写，不负责翻译，也不负责语音合成，后两者不是这个模型的活。

适合谁用 / 不适合谁

适合：要给会议、播客、直播做实时字幕或纪要的开发者和团队；需要开源商用授权（MIT）的产品；被专有名词识别折磨的内容团队。

不适合：想在手机端离线跑的轻量场景，7B 参数量对端侧设备不算友好；只偶尔转写一两段音频的轻度用户，直接用现成转写 App 更省事。

3 步上手

1. 在线体验最快：打开官方在线 Demo（aka.ms/vibeasr），上传音频直接看转写和说话人标注效果
2. 本地部署：到 GitHub 的 microsoft/VibeVoice 仓库，按 README 安装依赖并加载模型
3. 拿权重：在 Hugging Face 的 microsoft/VibeVoice-ASR-Streaming-7B 页面下载，国内访问 HF 需要自行解决网络问题，镜像站可用时优先走镜像

开源语音模型最近的动作不少，站内持续跟进的动态汇总见 GLM6 最新消息与发布进展。

想动手做点东西的话，搭原型可配合 Google AI Studio 使用指南快速起服务；做学生认证薅算力羊毛的路线见 Gemini 学生认证教程。