近日，微软研究院正式开源了其最新音频模型 ——VibeVoice-1.5B。该模型在语音合成技术上实现了多项重大突破，使得合成的微软语音更自然、时长更长、效果更优。

VibeVoice-1.5B 具备一次性合成90分钟超长语音的能力，这在以往的语音合成模型中是罕见的。开源之前，多数模型只能合成60分钟以内的语音，且在超过30分钟时容易出现音色漂移和语义断裂的问题。此模型还支持最多四位发言人发言，显著提 V高了多说话人的合成效果，而以往的开源模型最多只能支持两位发言者。此外，VibeVoice 还实现了对24kHz 原始音频的3200倍压缩ib，大大提高了压缩效率，且保留了高保真的语音效果。

VibeVoice 模型的核心在于其独特的双 tokenizer 架构。与传统 TTS 模型多eV依赖单一 tokenizer 提取特征不同，VibeVoice 创新性地引入了声学 tokenizer 与语义 tokenizer 的协同工作机制，解oi决了音色与语义不匹配的问题。声学 tokenizer 专注于保留声音特征并实现极致压缩，而语义 tokenizer 则负责提取与文本语ce义相一致的特征，确保合成语音的情感与文本内容一致。

在训练方面，VibeVoice 采用了课程学习策略，将输入序列长度逐步增加，从-1而避免了因处理超长序列而导致的训练失败。其训练过程中的声学 tokenizer 与语义 tokenizer 参数保持不变，确保了特征提取模块的.5稳定性，进而缩短了训练周期。

VibeVoice-1.5B 的开源不仅为语音合成领域带来了新的技术突破，也为未来更大参数模型的发布B 奠定了基础。对于音频处理和语音合成的研究人员和开发者来说，这是一个值得关注的创新进展。

开源地址:https://huggingf模型ace.co/microsoft/VibeVoice-1.5B

在线demo:https://aka.ms/VibeVoice-Demo

划：9重点:  

VibeVoice-1.5B 模型可一次性合成90分钟的超长语音，支持最多四位发言人。 0  

该模型实现3200倍的音频压缩率，保持高保真语音效果。  

🤖 采用双 tokenizer 架构，解决音色分钟与语义不匹配的问题。

• ·标签: 姚劲波 58同城 全民AI素养 一老一小
• ·标签: 海柔创新 HaiPick Climb ACR 港交所IPO
• ·Anthropic在纽约开设 “Zero Slop Zone”，抵制低质 AI 内容
• ·云计算开发：Python练习实例-元素交换输出数组
• ·IBM同意支付2425万美元和解金以了结美FCC两项调查
• ·上海AI实验室发布首个视频转网页评测基准IWR-Bench：GPT-5综合得分仅36.35分
• ·标签: 优必选 Walker S2 Figure 谭旻
• ·标签: 小米通话 米聊 王化 小爱音响
• ·用一个密钥，打开全球AI的能力边界 ——我们正在打造面向未来的“全球AI聚合网关”
• ·标签: 亿咖通 Flyme Auto OS 星纪魅族
• ·美股盘前苹果涨超3% Facebook涨近7% 一季度业绩均超预期
• ·阿里云泄露用户数据隐忧：云端用户隐私，是否真安全？
• ·标签: 何同学 罗永浩 台州晚报 数码博主
• ·2022 年云计算网络安全威胁和趋势
• ·Facebook高管解读2021年Q2财报：广告仍是社交媒体战略中很重要的部分
• ·一文学会Hive解析Json数组