Memory

如果你经常听播客、有声书，或者做视频配音，应该会发现一个问题：AI 配音已经能读出来，但离真正像人在聊天，还有一段距离。 很多语音模型短句表现不错，可一旦让它连续说几分钟，就容易出现声音僵硬、语气重复、角色混乱的问题。尤其是多人对话场景，AI 往往很难保持每个人的声音特点。 微软开源的 Microsoft VibeVoice，就是冲着这个问题来的。它不是简单的文字转语音工具，而是一套面向长文本、多角色对话的语音 AI 模型。项目定位是“开放式语音 AI”，包含文本转语音（TTS）和语音识别（ASR）两大方向。GitHub项目地址：https://github.com/microsoft/VibeVoice最吸引人的地方，是它能生成非常长的连续语音。 传统 TTS 模型通常更适合生成几句话，比如导航播报、短视频配音。但 VibeVoice-TTS 可以根据一篇长文章生成接近完整节目的音频，支持最长约 90 分钟的语音生成，并且可以让最多 4 个不同角色参与对话。简单理解，就是你给它一份访谈稿，它可以直接变成一档多人聊天节目。 这个能力对于内容创作者来说挺有想象空间。 比如你有一篇公众号文章，不想自己录音，可以让 AI 转成播客；一本电子书，可以快速生成有声版本；甚至一份产品介绍，也能变成两个 AI 主持人的讨论节目。 当然，VibeVoice 的重点并不是“把文字念出来”，而是让声音更接近真实交流。 它采用了一套针对长语音设计的方法，把声音拆成更容易处理的语音信息，再结合类似大语言模型理解上下文的方式生成语音。这样做的好处是，AI 不只是关注当前一句话，而是能记住前面的内容，让整个长对话保持连贯。除了 TTS，VibeVoice 还有语音识别模型...