宝子们，今天必须给大家分享微软开源的实时语音模型VibeVoice – Realtime – 0.5B👏！

以前用传统TTS模型，起音时间动不动就1 – 3秒，那种卡顿感真的太影响体验了😫，这就是我们在语音模型使用中的痛点。而VibeVoice – Realtime – 0.5B完美解决了这个问题，它从输入文本到发声平均仅需300毫秒，几乎零延迟，就像和真人对话一样，你打字对方就开始回应，超丝滑💯。

它的能力还不止于此！它能一次性生成长达90分钟的超长音频，全程流畅自然，就像专业播音员朗读一样。而且原生支持最多4个角色同时对话，情绪切换丝滑。内置情感感知模块还能自动识别情绪，不需要手动标注，开箱即用👍。

我亲自体验了一下，在HuggingFace上用它朗读《三体》第一章，毫无破音，效果超棒。它英文表现接近商用级别，中文也很优秀，虽然部分多音字、轻声词处理还有提升空间，但官方会推出精调版本。轻量级设计，在普通笔记本上就能跑满实时速度，已经可以集成到好多工具中啦。
目前这个模型已经完全开源，支持商用，社区里也有很多有趣的Demo。宝子们别错过，赶紧去试试👇！