微软开源的 9B 参数语音转文字模型 VibeVoice-ASR 在 Mac 上实测，单次处理 60 分钟音频，原生支持说话人分离，但本地运行需 64GB 以上内存。
📝 详细摘要
这条推文详细介绍了微软研究院今年 1 月开源的 VibeVoice-ASR 语音识别模型，并引用了 Simon Willison 在 Mac 上的实测报告。该模型最大亮点是单次能处理 60 分钟连续音频，并原生支持说话人分离（谁在说、什么时候说、说了什么），无需像传统方案那样拼接 Whisper 和 pyannote 等工具。实测使用 4-bit 量化版（5.71GB），在 128GB 内存的 M5 Max MacBook Pro 上，转写一小时播客耗时 8 分 45 秒，但 prefill 阶段内存峰值高达 61.5GB，普通 32GB 笔电无法运行。模型还识别出三个说话人（实际只有两人），因不同录音环境导致。硬限制包括单次最多 60 分钟和至少 64GB 内存需求。对播客转写、会议纪要、采访整理等场景有实用价值。
📊 文章信息
AI 初评：87
来源：宝玉(@dotey)
作者：宝玉
分类：人工智能
语言：中文
阅读时间：3 分钟
字数：732
标签： VibeVoice-ASR, 微软, 语音识别, 说话人分离, 开源模型