微软重新开源 VibeVoice，支持本地生成最长 90 分钟播客

微软重新开源曾因滥用风险下架的语音模型 VibeVoice，可用 10 秒音频克隆声音，单次生成最长 90 分钟、最多 4 个说话人的对话音频。该模型支持实时流式输入和完全本地运行，采用 7.5 Hz 连续声学/语义 tokenizer 与 next-token diffusion 框架，演示涵盖即兴唱歌、背景音乐播客和中英跨语言。