微软 VibeVoice：语音模型家族与可用性边界
区分 VibeVoice 的长音频 TTS、Realtime 与 ASR，并说明原 TTS 代码移除、模型硬件要求和声音授权。
直接回答：VibeVoice 是语音模型家族，不是一个同时具备 90 分钟多人生成与实时流式能力的单一模型。原长音频 TTS 代码已于 2025 年 9 月从官方仓库移除，后续 Realtime 与 ASR 需分别查看。
架构：next-token 扩散框架
VibeVoice 不是又一个普通 TTS。它的架构融合两条技术线：
- LLM 主干：理解文本上下文、对话节奏与语义——知道"这句话该用什么语气"
- 扩散式声学生成：在 LLM 指导下逐 token 生成高表现力音频
这套组合专攻长音频的稳定性与一致性：早期 TTS 资料报告最长 90 分钟、最多四名说话人，这不是所有脚本下的一致性保证。
三大能力场景
- 长音频 TTS 研究：早期发布讨论多人长音频生成，但原代码已移除，不能按旧教程承诺可直接复现。
- Realtime-0.5B：后续单独发布的实时文本到语音模型，不能与早期多人长音频版本互换能力。
- ASR：处理语音识别，不是语音生成。具体语言、声音与许可需分别核对模型卡。
上手
从官方仓库选择当前仍提供的模型和推理步骤。下载代码不等于所有历史权重及推理脚本均可用；本文不提供旧 TTS 一键运行承诺。计算显存时应包括序列长度、精度与运行时，不能只说消费级 GPU 足够。
与商业服务的取舍
比较具体型号与具体商业套餐的时长、语言、流式方式、数据处理、授权和总成本，而不是笼统宣称商业 TTS 只能短音频。本地模型只有在权重和依赖已下载、没有云 API 或遥测外传时才可按离线方式运行。
合规提醒
声音克隆是把双刃剑：克隆他人声音需获得授权，生成内容用于公开传播时应按平台与法规要求标注 AI 生成。技术无罪，用法有边界。
常见问题（FAQ）
Q：中文效果如何？
A：按对应模型卡核对支持范围，再用授权样本验证。
Q：实时延迟有保证吗？
A：没有通用保证，需测硬件、首包和完整链路。
Q：能克隆任何人的声音吗？
A：应取得授权并遵守模型条款，不将技术能力视为使用许可。
参考资料
资料核对日期：2026 年 9 月 29 日。本文基于公开文档整理，代码片段和评估方案未作独立运行或性能验证；厂商测试结果已注明来源。
