微软发布并开源VibeVoice-ASR长音频识别模型
核心功能：9B参数，单次可处理长达60分钟音频，实现ASR、说话人分离、时间戳标注三合一。 技术特点：基于Qwen2 Decoder架构，支持64K上下文，通过自定义热词提升专业场景识别准确率。 实测表现：处理3000秒音频约2分钟，平均准确率91.9%，MIT协议开源。
大黑AI速报
微软开源的长音频识别模型解决了传统ASR处理长文本时上下文丢失和说话人混淆的痛点，对会议、播客等场景有直接应用价值。ChatGPT的界面功能持续优化，提升用户体验。
模型动态
行业资讯