Microsoft har precis lanserat text-till-tal-teknik VibeVoice-1.5B är en öppen källkods-modell som kan generera upp till 90 minuters kontinuerlig konversation mellan flera talare och det krävs bara ett vanligt grafikkort för att köra den.
Det här är inte bara ännu en text-till-tal-lösning. VibeVoice kan skapa långa, naturliga samtal som låter som riktiga poddar eller ljudböcker. Modellen kan hantera upp till fyra olika talare och få dem att prata med varandra på ett sätt som faktiskt låter naturligt.
Tillgänglig för alla med ett enkel grafikkort
Det mest imponerande med VibeVoice är kanske att den inte kräver någon superdator. Modellen behöver bara omkring 7 GB GPU-minne, vilket betyder att de flesta med ett modernt konsumentgrafikkort kan köra den hemma. Det är en stor skillnad mot många andra AI-modeller som kräver dyra servrar.
Microsoft har gjort modellen tillgänglig under MIT-licens, vilket innebär att vem som helst kan använda, modifiera och bygga vidare på tekniken utan kostnad. Den finns att ladda ner via GitHub och Hugging Face för den som vill experimentera.
Systemkrav och kapacitet
- Kräver cirka
7 GBGPU-minne för grundläggande användning. - Fungerar på konsumentgrafikkort (t.ex. NVIDIA RTX 3060).
- Stöder upp till 4 distinkta talare i samma session.
- Kan generera kontinuerligt tal i upp till 90 minuter.
Detta är en forskningsversion som främst är avsedd för experimentellt bruk och vidareutveckling. Microsoft uppmuntrar aktivt samarbete och feedback från utvecklarkomuniteten för att ytterligare förbättra systemet.
