
陈有鱼
@youyuy88 • 29,345 subscribers
互联网重度玩家、币圈实事、资金流温度及风险提醒!
Shorts
Videos

有朋友私信问我:“我想把一段两小时的会议录音转成带时间戳的文字稿,顺便区分几个人说话,用哪个开源工具最快?” 我试了一圈,最后停在微软的VibeVoice-ASR上。 它最狠的一点是:一次推理吃掉60分钟音频,不切片、不拼接,全程上下文连贯。 我当时用了一段播客测试,三个人交叉聊天,模型输出的JSON里,每一句都带“speaker_id”和“start_time”,直接就能拿去生成字幕或会议纪要。 而且它支持自定义热词。我把“Transformer”“Diffusion”“BitNet”这些词提前喂进去,识别基本没翻车。 更让我意外的是,它还有一个0.5B的实时语音合成模型,流式输入文本、低延迟输出语音,适合做实时语音助手。 如果你只有CPU、没有GPU,可以试试他们最新的BitNet版本,4.62GB压缩到1.58GB,3个CPU线程就能跑出实时效果。 不过有个坑要提醒你:项目里TTS部分因为被滥用,微软已经主动下架了,现在只有ASR和实时TTS可用。使用前最好读一下安全说明,别踩红线。
陈有鱼20,643 görüntüleme • 2 ay önce
Daha fazla içerik yok.