微软发布 VibeVoice-ASR-Streaming-7B 用于流式语音识别

2026年9月2日，HuggingFace 上发布了模型 microsoft/VibeVoice-ASR-Streaming-7B，任务为自动语音识别（automatic-speech-recognition）。该模型可转录流式语音，识别说话人身份及其所说内容，支持用户自定义热词以提升人名和技术术语的识别效果，并支持包括俄语在内的十种语言。代码已开源。

这意味着什么

该模型包含 87 亿参数，仓库中的权重以 safetensors 格式存储，占用 16.2 GB，最大文件为 2.3 GB。许可证为 MIT，可通过 transformers 运行。开发者未明确说明显存要求，也未提供现成的量化版本。 要在本地运行，需要一台内存足以容纳 16.2 GB 权重的机器。有关本地运行工具的更多动态，可关注 CPU3D 动态。