/ Модель

Характеристики

Лицензия
MIT
Архитектура
vibevoice_streaming · dense
Базовая модель
VibeVoice-Realtime-0.5B
Библиотека
transformers
Опубликована
12 июн 2026

vibevoice-realtime-0.5b-with-encoder

Синтез речиТекст → аудио3 профессии

Потоковая англоязычная модель синтеза речи, доработанная для клонирования голоса по пользовательской аудиозаписи.

256скачиваний за 30 дней5лайковвеса обновлены12 июн 2026

Бенчмарки

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

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-Realtime-0.5B with encoder — потоковая модель синтеза речи из текста с клонированием голоса по аудиозаписи. Репозиторий создан mohammed-bahumaish на основе Microsoft VibeVoice-Realtime-0.5B: к модели добавлен отсутствовавший акустический энкодер, необходимый для использования собственного аудио как образца голоса. Модель предназначена для синтеза речи с низкой задержкой и совместима с демонстрационными скриптами Microsoft, принимающими файлы голосов формата .pt.

Для клонирования рекомендуется предоставить чистую запись одного говорящего длительностью не менее 15 секунд и частотой дискретизации от 24 кГц; явная передача транскрипта улучшает результат. Автоматическая транскрипция работает только для английского. Карточка указывает лицензию MIT. Для запуска требуется transformers версии 4.51.x: версия 5.x нарушает работу модели.

Сценарии применения

  • синтез английской речи с низкой задержкой
  • клонирование голоса по записи говорящего
  • создание длинных речевых фрагментов из текста
  • генерация речи для потоковых демонстрационных приложений

Ограничения

Для клонирования рекомендуется чистая запись одного говорящего длительностью от 15 секунд с частотой дискретизации не ниже 24 кГц; автоматическая транскрипция поддерживает только английский. Требуется transformers 4.51.x, поскольку версия 5.x нарушает работу модели.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VibeVoice-Realtime-0.5B — with encoder (voice cloning)

microsoft/VibeVoice-Realtime-0.5B with the missing acoustic encoder added — enabling voice cloning from your own audio.

Usage

pip install "transformers==4.51.3" torch soundfile
pip install git+https://github.com/microsoft/VibeVoice

# get the scripts (the model itself downloads automatically on first run)
huggingface-cli download mohammed-bahumaish/vibevoice-realtime-0.5b-with-encoder \
    make_voice_prompt.py run_tts.py --local-dir .

# 1) build a voice prompt from ~15-30s of reference audio
python make_voice_prompt.py \
    --voice_wav my_voice.wav \
    --transcript "exact transcript of the reference audio" \
    --output my_voice.pt

# 2) speak anything in that voice
python run_tts.py \
    --voice_pt my_voice.pt \
    --text "Hello! This works with the stock Microsoft inference code." \
    --output out.wav

The .pt files are drop-in compatible with Microsoft's own demos, like the prebaked demo/voices/streaming_model/*.pt voices.

Tips

  • transformers must be 4.51.x — 5.x silently breaks the model.
  • Use a true 24 kHz+ recording, ≥ 15 s, clean single speaker.
  • Pass --transcript explicitly for best results (auto-transcription is English-only).

License

MIT. Base model by Microsoft; its responsible-use guidelines apply — clone only voices you have the right to use.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура vibevoice_streaming неизвестна transformers в образе рантайма.

Класс архитектуры
VibeVoiceStreamingForConditionalGenerationInference
Ревизия весов
42a3952

0 моделей