Don't Miss
微軟VibeVoice｜生成4人長篇對話
By 信報財經新聞 on August 27, 2025
原文刊於信報財經新聞「CEO AI⎹ EJ Tech」
微軟研究院近日在代碼託管平台GitHub發表開源「文字轉語音」（TTS）模型VibeVoice，針對多人長篇對話，能在保持高音質前提下，生成最多4人之間長達90分鐘的對話，並保留自然的語調與情感。
支援90分鐘 情感語調自然
VibeVoice創新之處，在於區分語音的聲學與語義，並獨立捕捉音質與語言內容。其架構核心為阿里雲旗下大型語言模型Qwen2.5，透過輕量級的Diffusion Head生成聲學特徵，再由解碼器重建成音頻。
VibeVoice在真實度、豐富度與偏好度等項目上，70億參數版本的測試成績，都較Gemini、ElevenLabs等市面模型優勝。
不過，VibeVoice模型僅針對英語與中文訓練，故在其他語言表現並不穩定，也無法同時處理背景聲音、音效或重疊語音。
微軟團隊強調，開源VibeVoice的目標僅為協助研究開發，並不建議用於真實商業用途，又警告說模型可被用來生成深偽或虛假內容，提醒用戶須確保輸入的內容真實。
另外，Google旗下人工智能（AI）筆記工具NotebookLM繼早前新增影片摘要功能後，近日又加入80種語言的自訂語言選項，當中包括使用普通話語音的繁體、簡體中文版本。
同時，NotebookLM的語音摘要功能也獲得升級，讓英語以外的語言，同樣可以支持完整長度，不再限於先前的刪節版本，藉此帶來更深入的內容連結。
支持EJ Tech
如欲投稿、報料，發布新聞稿或採訪通知，按這裏聯絡我們。
