---
title: "微软开源VibeVoice-ASR：60分钟长音频一键转录，说话者分离+热词自定义，会议记录神器"
url: "https://paooo.com/aigc-news/11862/"
author: "Prompt 语宙研究院"
published_at: "2026-06-13T01:12:22+08:00"
updated_at: "2026-06-07T20:07:57+08:00"
categories: "AI 工具, AIGC 资讯"
tags: "ASR, 会议转录, 微软, 语音识别, 长音频"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# 微软开源VibeVoice-ASR：60分钟长音频一键转录，说话者分离+热词自定义，会议记录神器

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/11862/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-13

## AI 30 秒核心看点 (TL;DR)

- 支持60分钟长音频单次处理，避免分段转录带来的上下文丢失与说话者混淆。
- 集成说话者分离、时间戳标注和热词自定义，输出更适合会议纪要与访谈整理。
- 可通过 Docker 或本地部署，适用于会议、讲座、播客、客服和新闻采访等场景。

> 
                **💡 站外导读：**传统语音识别工具处理长音频时需分段，导致上下文丢失、说话者混淆，严重影响会议记录、访谈整理等核心场景效率。微软开源的VibeVoice-ASR精准切中这一行业痛点，支持一次性处理60分钟音频，保持全局上下文连贯，并实现说话者分离与时间戳标注，为长音频转录树立新标杆。

            

             
                        

## VibeVoice-ASR是什么

VibeVoice-ASR 是微软开源的先进[语音识别](https://ai-bot.cn/ai-speech-to-text-tools/)模型，专为处理长达60分钟的长音频设计。模型能一次性处理整段音频，保持全局上下文，避免传统模型分段处理导致的上下文丢失。模型生成的转录文本包含语音内容，能标注说话者身份和时间戳，支持用户添加自定义热词，提高特定领域的识别准确性。VibeVoice-ASR 强大的功能使模型在长音频转录和多说话者场景中表现出色，广泛应用于会议记录、讲座转录等场景。

## VibeVoice-ASR的主要功能

- 
**长音频单次处理**：模型支持长达60分钟的音频输入，一次性处理整段音频，保持全局上下文，避免分段处理导致的上下文丢失。

- 
**说话者分离与标注**：模型能识别、标注不同说话者，生成包含“谁（说话者）、何时（时间戳）、说什么（内容）”的结构化转录文本。

- 
**自定义热词支持**：用户可添加特定词汇（如专有名词、技术术语），显著提升特定领域的识别准确率。

- 
**高精度转录**：通过联合处理语音识别、说话者分离和时间戳标记，确保转录内容的准确性和连贯性。

- 
**灵活部署**：支持通过Docker容器和本地安装部署，方便用户在不同环境中使用。

## VibeVoice-ASR的技术原理

- 
**端到端的模型架构**：VibeVoice-ASR采用端到端的深度学习架构，将语音识别（ASR）、说话者分离（Diarization）和时间戳标记集成在一个模型中，通过联合训练实现高效的长音频处理。

- 
**长音频处理机制**：模型通过优化注意力机制和内存管理，能处理长达60分钟的音频，避免传统模型分段处理导致的上下文断裂问题。

- 
**自定义热词引导**：通过引入用户自定义的热词，模型在识别过程中能够更精准地捕捉特定词汇，提升对专业领域或特定场景的适应性。

- 
**多任务学习**：模型同时学习语音识别、说话者分离和时间戳标注等任务，通过共享特征提取层和联合优化，实现更高的整体性能。

- 
**高效推理与部署**：结合NVIDIA CUDA环境和优化的推理引擎，VibeVoice-ASR能在实际应用中实现快速且高效的音频处理，支持大规模部署。

## VibeVoice-ASR的项目地址

- **GitHub仓库**：https://github.com/microsoft/VibeVoice/blob/main/docs/vibevoice-asr.md

- **HuggingFace模型库**：https://huggingface.co/microsoft/VibeVoice-ASR

- **在线体验Demo**：https://f0114433eb2cff8e76.gradio.live/

## VibeVoice-ASR的应用场景

- 
**会议记录**：VibeVoice-ASR可实时或离线转录会议内容，标注说话者和时间戳，生成结构化记录，便于会后回顾和整理。

- 
**讲座与教学**：该模型能讲座和教学中的发言转录为文本，支持多说话者识别，方便学生复习和教师整理资料。

- 
**播客制作**：播客创作者可用VibeVoice-ASR将音频内容转录为文字，便于听众搜索和阅读，同时为平台提供丰富元数据。

- 
**客服通话记录**：在客服中心，VibeVoice-ASR能实时转录通话内容，标注说话者身份，用于分析、培训和质量监控。

- 
**新闻采访**：记者用VibeVoice-ASR快速转录采访内容，生成带时间戳和说话者标注的记录，提高新闻写作效率。

                    
            
                

#### 📝 站长洞察 (Editor's Insight)

                VibeVoice-ASR的发布标志着端到端长音频处理从实验室走向实用化的关键一步。其核心突破在于将ASR、说话者分离和时间戳标记三任务合一，通过联合优化解决了传统方案的碎片化难题。这不仅是技术迭代，更是产品思维的胜利——把复杂的AI能力封装为开箱即用的工具，直接赋能企业数字化办公。在AIGC浪潮下，语音作为人机交互的核心入口，其基础设施的成熟将加速智能会议、数字员工等场景落地。微软此举也展现了其通过开源生态巩固AI话语权的战略意图，开发者社区可借此构建垂直行业应用，形成更广阔的生态护城河。

## 常见问题解答 (FAQ)

### VibeVoice-ASR适合转录多长的音频？
它专为长音频设计，支持一次性处理最长60分钟的音频输入，尽量保持全局上下文连贯，减少传统分段转录带来的信息断裂问题。

### VibeVoice-ASR能识别不同说话者吗？
可以。它支持说话者分离与标注，转录结果可同时呈现说话者身份、时间戳和具体内容，适合会议记录、访谈整理等多说话者场景。

### VibeVoice-ASR支持自定义热词吗？
支持。用户可添加专有名词、技术术语等热词，帮助模型在特定领域提升识别准确率，尤其适合行业会议、专业讲座和客服通话。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
