/ Модель
Каталог

Характеристики

Контекст
131 072 токена
Размер весов
5,6 ГБ
Лицензия
MIT
Архитектура
vibevoice · dense
Библиотека
transformers
Опубликована
2 сен 2026

Ссылки

Hugging FacearXiv 2609.02812

VibeVoice-ASR-Streaming-1.5B

microsoft
Распознавание речиАудио → текст8 профессий

Потоковая модель Microsoft для многоязычной транскрибации речи с определением говорящих и поддержкой пользовательских ключевых слов.

5 919скачиваний за 30 дней60лайковвеса 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-1.5B — потоковая модель распознавания речи от Microsoft на базе семейства VibeVoice. Она преобразует поступающий аудиопоток в текст и связывает реплики с говорящими, а пользовательские ключевые слова помогают распознавать имена и специальные термины.

Модель поддерживает 10 языков: китайский, английский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский. В метаданных указаны плотная архитектура VibeVoice и формат весов Safetensors; README сообщает размер 1,5 млрд параметров. Модель предназначена для сценариев потоковой транскрибации с атрибуцией говорящих и пользовательскими подсказками. Лицензия — MIT.

Сценарии применения

  • потоковая расшифровка встреч с указанием говорящих
  • транскрибация аудио в реальном времени
  • распознавание имён и терминов с пользовательскими ключевыми словами
  • многоязычная расшифровка речи на десяти поддерживаемых языках

Ограничения

Модель описана для десяти перечисленных языков; качество распознавания и скорость в README не приводятся. Поддержка пользовательских ключевых слов требует их передачи со стороны приложения.

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 923моделиIII.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модельI.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953моделиI.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VibeVoice-ASR-Streaming-1.5B

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.

Technical Report

📄 VibeVoice-ASR-Streaming Technical Report

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
4262d23

0 моделей

    Создать бенчмарк