IXThinker·2025-09-08 15:55微軟開源語音模型可一次生成九十分鐘多人對話
微軟開源的VibeVoice-1.5B語音合成模型只有15億參數，卻能一次生成長達90分鐘的高自然度語音，並模擬最多4人對話，官方盲測MOS達4.5，接近真人水準。
雙詞元架構
模型核心創新在於雙Tokenizer架構與擴散解碼技術：聲學Tokenizer採用σ-VAE結構，實現3200倍音頻壓縮；語義Tokenizer則專注保留文本情緒與停頓，兩者分工令模型僅以7.5Hz的超低幀率處理音頻，兼顧效率與保真度。
IXThinker 會員內容
呢篇係 Archive 內容。登入即可解鎖全文，仲有成個 15,000+ 篇、每日更新嘅 AI 動態資料庫。
免費登入／註冊解鎖全文 →Google 或電郵地址即可，即刻解鎖。