/ Модель
Каталог

Характеристики

Контекст
131 072 токена
Размер весов
17,3 ГБ
Лицензия
MIT
Архитектура
vibevoice · dense
Библиотека
transformers
Опубликована
3 сен 2026

Ссылки

Hugging Face

VibeVoice-ASR-Streaming-7B

komixenon
Распознавание речиАудио → текст8 профессий

Потоковая многоязычная модель VibeVoice распознаёт речь, связывает транскрипт с говорящим и поддерживает пользовательские горячие слова.

246скачиваний за 30 дней6лайковвеса обновлены3 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

VibeVoice-ASR-Streaming-7B — потоковая модель распознавания речи семейства VibeVoice, представленная в карточке как модель для транскрибации с указанием говорящего. Она обрабатывает поступающую речь и связывает распознанный текст с тем, кто его произнёс; пользовательские горячие слова помогают распознавать имена и специальные термины.

Модель поддерживает китайский, английский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский языки. В метаданных указаны архитектура VibeVoice, класс VibeVoiceForASRStreamingTraining, библиотека Transformers и формат safetensors. Размер 7B следует из названия модели. Лицензия — MIT.

Карточка направляет к репозиторию microsoft/VibeVoice за кодом и инструкциями по использованию. Подробные сведения о контекстном окне, качестве распознавания и ограничениях в предоставленных материалах отсутствуют.

Сценарии применения

  • потоковая транскрибация речи с указанием говорящих
  • распознавание речи в многоязычных аудиозаписях
  • транскрибация с учётом имён и специальных терминов
  • создание субтитров по поступающей речи

Ограничения

В предоставленных материалах не приведены результаты оценки качества и подробные технические ограничения; для инструкций по запуску карточка отсылает к репозиторию Microsoft.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923моделиI.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953моделиI.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VibeVoice-ASR-Streaming-7B

GitHub Live Playground

VibeVoice-ASR-Streaming is a unified streaming ASR model that transcribes Who (Speaker) said What (Content), with support for Customized Hotwords and 10 languages.

➡️ Code: microsoft/VibeVoice ➡️ Demo: VibeVoice-ASR-Streaming

🔥 Key Features

  • 📝 Streaming Speaker-Attributed Transcription: Continuously transcribes who said what as speech arrives.

  • 👤 Customized Hotwords: Users can provide customized hotwords, such as names and technical terms, to improve recognition of domain-specific content.

  • 🌍 Multilingual Support: It supports Chinese, English, French, German, Italian, Japanese, Korean, Portuguese, Russian, and Spanish.

Evaluation

Installation and Usage

Please refer to the GitHub repository.

License

This project is licensed under the MIT License.

Contact

This project was conducted by members of Microsoft Research. We welcome feedback and collaboration from our audience. If you have suggestions, questions, or observe unexpected/offensive behavior in our technology, please contact us at VibeVoice@microsoft.com. If the team receives reports of undesired behavior or identifies issues independently, we will update this repository with appropriate mitigations.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VibeVoiceForASRStreamingTraining
Ревизия весов
def96eb

0 моделей

    Создать бенчмарк