微軟研究院在 Hugging Face 上釋出了 VibeVoice-ASR-Streaming-7B，一個面向流式場景的統一自動語音識別（ASR）模型。該模型的核心能力是在語音輸入過程中即時轉寫內容，並同時標註“誰（說話人）說了什麼（內容）”，即流式說話人歸屬轉寫。模型權重、程式碼和線上演示均已公開，許可證採用 MIT，開發者可自由使用和修改。
根據模型卡資訊，VibeVoice-ASR-Streaming-7B 支援 10 種語言，包括中文、英語、法語、德語、義大利語、日語、韓語、葡萄牙語、俄語和西班牙語。除了多語言識別，模型還提供自定義熱詞功能，使用者可輸入人名、技術術語等特定詞彙，以提升對領域專有內容的識別準確率。這一特性對於醫療、法律、金融等專業場景的語音轉寫尤為實用。
在技術架構上，該模型被描述為“統一”的流式 ASR 模型，意味著它在一個框架內同時處理語音識別與說話人分離任務，而非將兩者串聯。這種設計有助於降低延遲，適應即時互動需求。模型引數量為 9B（模型卡標註為 9B，名稱中的 7B 可能指基礎架構或量化版本），屬於較大規模的語音模型，其效能表現尚待社群評測。
微軟研究院在模型卡中表示，該專案由微軟研究團隊完成，並歡迎反饋與合作。若發現技術存在意外或不當行為，可通過指定郵箱聯絡團隊，他們將根據報告更新倉庫。這一表態延續了微軟在開源 AI 模型上的一貫做法——通過社群協作持續改進。
從產業視角看，VibeVoice-ASR-Streaming-7B 的釋出正值語音互動需求快速增長之際。即時會議轉寫、智慧助手、客服質檢、同聲傳譯等應用都依賴低延遲、高準確率的流式識別。傳統 ASR 系統往往需要後處理才能區分說話人，而該模型將這一能力前置到流式過程中，可能簡化相關應用的開發鏈路。同時，MIT 許可證意味著商業使用幾乎不受限制，這有助於吸引開發者和企業將其整合到產品中。
不過，模型的實際效果仍需通過基準測試和真實場景驗證。9B 引數量對推理資源提出一定要求，開發者需權衡精度與成本。此外，多語言支援雖廣，但各語言的識別質量可能不均衡，尤其是資源較少的語種。微軟並未在模型卡中提供詳細的評估資料，因此社群測試將是檢驗其成色的關鍵。
總體而言，VibeVoice-ASR-Streaming-7B 是微軟在語音 AI 領域的一次重要開源動作，它瞄準了流式、多語言、說話人分離這三個技術難點的交叉地帶。對於 AI 應用開發者而言，這提供了一個可立即上手的基礎模型；對於產業鏈上游的算力與基礎設施提供商，此類大模型的普及也可能帶來新的推理需求。