通用语音识别模型VibeVoice ASR：60分钟长音频一键转写结构化输出

语音识别技术在近年来取得了飞速发展，但在面对真实复杂场景时，许多系统依然显得力不从心：漫长的会议记录、多人混杂的交谈、专业的行业术语，或是中英夹杂的日常对话。传统语音识别系统往往需要将长音频切分成短小片段，分别识别后再费力地“拼凑”起来，这种“化整为零”的方法不仅容易丢失上下文，还常常在谁说了什么、什么时候说的等问题上张冠李戴。

五大核心能力

近日，微软亚洲研究院发布了一款通用语音识别模型VibeVoice ASR，单次转录可处理长达60分钟的连续音频，并能够可靠地生成丰富、结构化的输出，清晰记录说话者身份及其说话时间。作为一种全新的语音识别范式，VibeVoice ASR将长语音理解视为首要问题，而非用碎片化步骤的简单拼接对其加以处理。

性能超越与创新架构

首先，VibeVoice ASR支持60分钟音频一次性转录，完美保留长上下文和说话人一致性，彻底告别手动切片或繁琐的后期结果拼接。其次，模型输出的文本高度结构化，结合自动语音识别、说话人记录和时间戳功能，清晰标注了“谁、在什么时候、说了什么”，只需少量后期处理即可。第三，用户可在转录请求中直接注入特定领域的专业词汇、专有名词或生僻技术术语，大幅提升了垂直领域的识别准确度。第四，VibeVoice ASR原生支持50多种语言，且支持无缝的语种切换（如中英混杂对话），用户无需在调用前手动配置语言。第五，也是最核心的一点：模型巧妙地将声学和语义音频分词器与大语言模型解码器相结合，真正实现了具备长上下文理解能力的语音理解。

实测表现

在包括AISHELL-4、AMI和AliMeeting在内的五项权威基准测试中，VibeVoice ASR的性能一致超越了此前领先的闭源多模态大模型。在说话人归属准确性方面，VibeVoice ASR的DER（说话人错误率）降至3.42%，远优于对比模型的16.29%。在综合评估“谁、何时、说了什么”的tcpWER指标上，VibeVoice ASR以14.81%的表现大幅领先，解决了长音频中常见的时间戳偏移问题。

开发者友好

VibeVoice ASR现已完全集成到Hugging Face Transformers生态系统中，并可通过Microsoft Foundry模型目录轻松检索。开发者可以使用自己熟悉的工具，轻松进行实验、评估和部署。这种开放的姿态无疑将加速语音识别技术的普及和应用创新。

如有侵权，请联系删除。