微软正式推出全新实时文本转语音模型 vibevoice-realtime-0.5b。虽然参数量仅为0.5b，却实现了近乎实时的语音合成能力，最快约300毫秒即可启动发声，达成“话音未落、语音已起”的丝滑交互效果。该模型支持中英文双语实时转录与语音合成，其中英文语音表现更为出色，中文虽稍逊一筹，但仍维持高连贯性与高保真度。
VibeVoice-Realtime-0.5B 在语音自然度方面表现亮眼。官方演示表明，其输出语音流畅自然，可连续朗读长篇内容，最长稳定生成时长达90分钟，过程中无明显卡顿、失真或风格偏移现象。
此外，模型原生支持多角色语音合成，单次推理即可驱动最多4个不同角色进行自然对话，并在长时间交互中持续保持各角色独有的语调、节奏与音色辨识度，特别适配播客制作、模拟访谈及虚拟主持人等多样化场景。
在情感建模层面，模型能基于文本语义自动解析情绪倾向，并精准映射为对应的情感化语音表达，涵盖愤怒、歉意、兴奋等多种细腻语调变化，显著提升语音的人格化程度。同时，VibeVoice-Realtime-0.5B 具备稳健的上下文建模能力，可在长段落语音生成中统一维持语速、语调与逻辑连贯性，大幅增强听感真实度与沉浸感。
相较于传统大体积语音模型，VibeVoice-Realtime-0.5B 凭借轻量化结构与超低延迟特性脱颖而出。其紧凑设计便于直接部署于终端设备，在智能助手、人机对话系统及IoT智能硬件中，均可提供更贴近真人反应的即时语音交互体验。
微软指出，随着 VibeVoice 系列模型的逐步开放，越来越多的应用将具备“张口即应”的AI语音响应能力。
源码地址：点击下载
