掲載済み (2026-05-02号)
083 115文字 • 1分

VibeVoice: Microsoftによるオープンソースの最先端音声AIモデル群（ASR・TTS・リアルタイム）

原題: GitHub - microsoft/VibeVoice: Open-Source Frontier Voice AI

英語
github.com/microsoft

掲載情報

2026年5月2日土曜日号 未掲載

概要

Microsoftが公開した、最長60分の長時間音声認識(ASR)や低遅延な音声合成(TTS)を実現する、Qwenベースの次世代音声AIフレームワーク。

詳細内容

Microsoft Researchが開発した「VibeVoice」は、超低フレームレート(7.5Hz)の連続音声トークナイザーと拡散モデル(Next-token diffusion)を組み合わせた革新的な音声AIシリーズです。主なモデルとして、60分の音声を一度に処理し話者分離やタイムスタンプ出力を行う「VibeVoice-ASR」、最大4名の話者で90分の音声を生成する「VibeVoice-TTS」（※責任あるAIの観点からコードは現在非公開）、そして約300msの低遅延で動作する「VibeVoice-Realtime(0.5B)」が公開されています。特にASRモデルはHugging Face Transformersに統合されており、50以上の言語に対応。ホットワード指定による認識精度の向上もサポートしています。
元記事を読む 他のサマリーを見る