微软开源4人可对话支持中文90分钟超长文本转语音tts模型VibeVoice-1.5B
技术亮点：
超长：单条文本支持最长 90 分钟连续语音。
多人：一次可模拟 4 位不同说话人，男女老幼 / 中英混搭随意切换。
高保真：24 kHz 采样，官方盲测 MOS≈4.5。
实时潜力：7.5 Hz 超低帧率 token，3200× 压缩，后续 0.5B 流式版已在路上。
技术速览：
双 Tokenizer：
– 语义 Tokenizer（ASR 预训练）抓文本情绪、停顿。
– 声学 Tokenizer（VAE）保留音色细节。
生成：Qwen2.5-7B 作为...
点击查看剩余70%
{{collectdata}}
网友评论