微软把语音 AI 玩出“Stable Diffusion 时刻”了？

微软把语音 AI 玩出“Stable Diffusion 时刻”了？

我试了下 Vibing 这款语音输入法， 转录速度跟翻译速度都很快，无需本地模型，毕竟安装包就 1.3MB

VibeVoice 可以直接本地跑： ✅实时 TTS，300ms 就出声 ✅一口气生成 90 分钟、多说话人对话 ✅长音频转录还能标谁什么时候说的啥 可以省掉 ElevenLabs 的费用了哈哈

代码地址：
https://github.com/microsoft/VibeVoice