微软发布全新的实时文本转语音模型 VibeVoice-Realtime-0.5B。尽管模型规模仅为 0.5B，但却具备接近实时的语音生成能力，最快可在约 300 毫秒内开始发声，实现 “话未说完音已先到” 的流畅体验。该模型支持中英文实时转录与语音生成，其中中文表现略逊于英文，但整体依然保持高流畅度与高还原度。

模型核心特性

• 参数规模：0.5B（5 亿），对部署极为友好。
• 实时 TTS：首个可听见的音频延迟约 300 毫秒。
• 流式文本输入：支持边输入边合成。
• 鲁棒的长语音生成：可稳定输出高质量的长段语音。

官方示例显示，其生成的语音连贯、自然，可持续朗读长文本内容，最长可稳定输出 90 分钟语音而不出现明显断续或风格漂移

VibeVoice-Realtime-0.5B 拥有稳定的上下文记忆能力，可在长段发言中保持语调、逻辑与速度一致，使整体呈现更真实、更具可听性

微软发布轻量级实时文本转语音模型——VibeVoice-Realtime-0.5B。该模型不仅支持流式文本输入，还能稳定生成长语音，它的应用场景也充满了想象空间

相比传统大型语音模型，VibeVoice-Realtime-0.5B 的小体积和低延迟优势尤为突出。其轻量化设计适合直接嵌入应用设备，可为智能助手、对话系统、智能硬件带来更接近真人的即时语音交互体验

模型下载：microsoft/VibeVoice-Realtime-0.5B · Hugging Face

VibeVoice - a microsoft Collection

参考

• 技术报告：VibeVoice Technical Report
• 项目主页：microsoft/VibeVoice
• 代码库：microsoft/VibeVoice-Code

VibeVoice-Realtime/README.md at main · SUP3RMASS1VE/VibeVoice-Realtime · GitHub