近日，微软研究院正式开源了其最新音频模型 ——VibeVoice-1.5B。该模型在语音合成技术上实现了多项重大突破，使得合成的语音更自然、时长更长、效果更优。

VibeVoice-1.5B 具备一次性合成90分钟超长语音的能力，这在以往的语音合成模型中是罕见的。之前，多数模型只能合成60分钟以内的语音，且在超过30分钟时容易出现音色漂移和语义断裂的问题。此模型还支持最多四位发言人发言，显著提高了多说话人的合成效果，而以往的开源模型最多只能支持两位发言者。此外，VibeVoice 还实现了对24kHz 原始音频的3200倍压缩，大大提高了压缩效率，且保留了高保真的语音效果。

VibeVoice 模型的核心在于其独特的双 tokenizer 架构。与传统 TTS 模型多依赖单一 tokenizer 提取特征不同，VibeVoice 创新性地引入了声学 tokenizer 与语义 tokenizer 的协同工作机制，解决了音色与语义不匹配的问题。声学 tokenizer 专注于保留声音特征并实现极致压缩，而语义 tokenizer 则负责提取与文本语义相一致的特征，确保合成语音的情感与文本内容一致。

在训练方面，VibeVoice 采用了课程学习策略，将输入序列长度逐步增加，从而避免了因处理超长序列而导致的训练失败。其训练过程中的声学 tokenizer 与语义 tokenizer 参数保持不变，确保了特征提取模块的稳定性，进而缩短了训练周期。

VibeVoice-1.5B 的开源不仅为语音合成领域带来了新的技术突破，也为未来更大参数模型的发布奠定了基础。对于音频处理和语音合成的研究人员和开发者来说，这是一个值得关注的创新进展。

开源地址:https://huggingface.co/microsoft/VibeVoice-1.5B

在线demo:https://aka.ms/VibeVoice-Demo

划重点:  

🔊 VibeVoice-1.5B 模型可一次性合成90分钟的超长语音，支持最多四位发言人。  

💾 该模型实现3200倍的音频压缩率，保持高保真语音效果。  

🤖 采用双 tokenizer 架构，解决音色与语义不匹配的问题。