微软开源VibeVoice,支持4人同声输出
时间:2025-08-30 08:43:19 311浏览 收藏
大家好,我们又见面了啊~本文《微软开源VibeVoice,支持4人同时发声》的内容中将会涉及到等等。如果你正在学习科技周边相关知识,欢迎关注我,以后会给大家带来更多科技周边相关文章,希望我们能一起进步!下面就开始本文的正式内容~
微软近日正式开源了其最新研发的文本转语音(TTS)模型 VibeVoice-1.5B,该模型以“超长时长、多说话人、高压缩比”为核心亮点,能够单次生成最长90分钟的连续语音流,并支持最多4位不同说话人同时发声,适用于复杂对话场景与长内容播报。
VibeVoice-1.5B 的关键技术突破在于其独特的双 Tokenizer 架构设计,模型由两个既独立又协同工作的模块组成。
1. 声学 Tokenizer:专注声音特征保留与高效压缩
该模块采用基于变分自编码器(VAE)的对称编码-解码结构,有效缓解了传统 VAE 在处理长语音序列时常见的“方差坍缩”问题,从而更好地保持语音多样性。
通过融合7阶段改进型 Transformer 与 1D 深度可分离因果卷积,声学 Tokenizer 可将 24kHz 高采样率的原始音频信号压缩为每秒仅 7.5 个潜在向量,实现高达 3200 倍的压缩比,相较主流 Encodec 模型效率提升达 80 倍。
2. 语义 Tokenizer:精准提取与文本对齐的语义信息
其架构沿用声学 Tokenizer 编码器结构,但去除了 VAE 中的随机采样机制,确保语义表示的确定性与稳定性。
在训练阶段,语义 Tokenizer 通过自动语音识别(ASR)任务进行监督学习,强化语音与文本之间的对齐能力;推理时则舍弃解码器部分,使整体推理速度提升约 40%。
这种双轨并行的设计策略,使得模型既能高度还原语音的自然音色、语调和节奏,又能确保输出内容与输入文本在语义层面高度一致,显著改善了传统 TTS 模型中常见的“情绪与音色错位”现象。
开源地址:
https://github.com/microsoft/VibeVoice
https://huggingface.co/microsoft/VibeVoice-1.5B
今天带大家了解了的相关知识,希望对你有所帮助;关于科技周边的技术知识我们会一点点深入介绍,欢迎大家关注golang学习网公众号,一起学习编程~
-
501 收藏
-
501 收藏
-
501 收藏
-
501 收藏
-
501 收藏
-
100 收藏
-
452 收藏
-
432 收藏
-
477 收藏
-
408 收藏
-
274 收藏
-
410 收藏
-
478 收藏
-
310 收藏
-
422 收藏
-
402 收藏
-
372 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 立即学习 542次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 立即学习 511次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 立即学习 498次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 立即学习 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 立即学习 484次学习