← Назад в каталог

VibeVoice-Realtime-0.5B

VibeVoice-Realtime-0.5B — компактная модель Microsoft для потокового синтеза речи с низкой задержкой.

Microsoft опубликовала VibeVoice-Realtime-0.5B 3 декабря 2025 года для сценариев, где речь нужно создавать одновременно с поступлением текста. Модель рассчитана на потоковую подачу фрагментов и короткую задержку до первого звука, сохраняя возможность продолжать генерацию достаточно длинного аудио.

Содержание
  1. Синтез в реальном времени
  2. Текст поступает постепенно
  3. Размер и основа
  4. 0,5 млрд параметров
  5. Интеграция
  6. Модельный checkpoint не является телефонией
  7. Ответственное применение
  8. Голос может быть ошибочно принят за настоящий
  9. Связанные модели
  10. Другие разработки Microsoft
  11. Первичные источники
  12. Материалы разработчика и официальные карточки моделей

Синтез в реальном времени

Текст поступает постепенно

Realtime-версия может начинать воспроизведение до того, как готов весь текст. Microsoft указывает примерно 300 мс до первого слышимого фрагмента в описанном режиме и поддерживает генерацию длинной речи до примерно десяти минут. Фактическая задержка зависит от устройства, нагрузки и конфигурации вывода.

Размер и основа

0,5 млрд параметров

Компактная версия рассчитана на более лёгкий запуск, чем модели для длинных подкастов. Её языковая основа — Qwen2.5-0.5B; отдельная аудиоголова синтезирует акустические признаки. На дату первоначального релиза Microsoft описывала одноголосый вывод и систему заранее заданных голосовых характеристик.

Интеграция

Модельный checkpoint не является телефонией

Весы доступны на Hugging Face под лицензией MIT; официальный репозиторий содержит пример запуска и Colab. Для живого голосового интерфейса разработчику всё равно нужно соединить генератор с обработкой потока, пользовательскими репликами, прерыванием и воспроизведением. Модель сама не управляет звонком и не распознаёт речь собеседника.

Ответственное применение

Голос может быть ошибочно принят за настоящий

Синтетическая речь способна создавать риск имитации личности. Нужны явное согласие на использование голоса, маркировка и ограничения на голосовые профили. Не следует использовать сгенерированный аудиофайл для утверждения факта, который модель не проверяла.

Связанные модели

Другие разработки Microsoft

VibeVoice-TTS-1.5B · VibeVoice-ASR-7B · VibeVoice-ASR-Streaming-1.5B · MAI-Voice-2 Flash · Microsoft AI в Вики Futuretools

Первичные источники

Материалы разработчика и официальные карточки моделей

описание потоковой генерации VibeVoice-Realtime · официальный репозиторий VibeVoice с журналом релизов · официальная карточка VibeVoice-Realtime-0.5B