← Назад в каталог

VibeVoice-ASR-Streaming-1.5B

VibeVoice-ASR-Streaming-1.5B расшифровывает речь по мере поступления аудио и поддерживает десять языков.

Microsoft выпустила потоковую версию VibeVoice-ASR 3 сентября 2026 года. В отличие от обычной модели для длинной записи, Streaming начинает выдавать транскрипцию по мере поступления аудио. Версия 1.5B рассчитана на меньшие требования к ресурсам, чем параллельный вариант 7B.

Содержание
  1. Распознавание без ожидания конца записи
  2. Текст обновляется по аудиофрагментам
  3. Версия 1.5B
  4. Компактный вариант семейства
  5. Встраивание
  6. Транскрипция, разделение говорящих и словарь
  7. Ограничения
  8. Потоковый вывод может изменяться
  9. Связанные модели
  10. Другие разработки Microsoft
  11. Первичные источники
  12. Материалы разработчика и официальные карточки моделей

Распознавание без ожидания конца записи

Текст обновляется по аудиофрагментам

Модель может выдавать реплики по мере того, как человек продолжает говорить, связывая фрагмент с говорящим. Она поддерживает пользовательские горячие слова и десять языков. Потоковый вывод полезен в живых транскриптах и системах субтитров, где ждать завершения всей записи неудобно.

Версия 1.5B

Компактный вариант семейства

Checkpoint microsoft/VibeVoice-ASR-Streaming-1.5B опубликован под MIT. Он входит в ту же модельную архитектуру, что 7B-вариант, но меньше по числу параметров и ориентирован на запуск с ограниченными вычислительными ресурсами. Выбор зависит от требуемой задержки, памяти и качества на конкретных языках.

Встраивание

Транскрипция, разделение говорящих и словарь

Официальная документация описывает интеграцию аудиопотока, буферизацию фрагментов и выдачу промежуточной транскрипции. Поддержка пользовательских hotwords помогает распознавать имена и предметную лексику, но не исправляет все ошибки. Системе приложения нужно обрабатывать частичные результаты, которые могут уточняться с поступлением следующего фрагмента.

Ограничения

Потоковый вывод может изменяться

На шумных или перекрывающихся репликах распознавание способно ошибиться, а частичная расшифровка — уточниться после новых данных. Не используйте промежуточный текст как окончательный протокол без согласованного этапа завершения и редакторской проверки. Для полной записи, когда задержка не важна, сравните стандартную VibeVoice-ASR.

Связанные модели

Другие разработки Microsoft

VibeVoice-ASR-7B · VibeVoice-ASR-Streaming-7B · MAI-Transcribe-1.5 · VibeVoice-Realtime-0.5B · Microsoft AI в Вики Futuretools

Первичные источники

Материалы разработчика и официальные карточки моделей

документация потоковой версии VibeVoice-ASR · официальный репозиторий VibeVoice с журналом релизов · технический отчёт VibeVoice-ASR-Streaming · официальная карточка VibeVoice-ASR-Streaming-1.5B