一个语音开源家族的两条命：ASR 全线产品化，TTS 曾自撤

microsoft/VibeVoice 这个仓库值得当成开源语音的活教材来看：同一个家族，TTS 和 ASR 走出了两条完全不同的命运线。目前项目 55,511 星，语音模型族谱覆盖从 7B 识别到 0.5B 实时合成。

技术底座是持续的语音 tokenizer（声学与语义两路），帧率压到 7.5Hz，配合 next-token diffusion 框架：LLM 负责理解文本上下文和对话流，diffusion 头负责生成高保真声学细节。这个设计让长音频处理的成本大幅下降，是整个家族能做「小时级」任务的根基。

ASR 这条线明显是被偏爱的孩子。VibeVoice-ASR-7B 一次吞下 60 分钟长音频（64K token 窗口内），同时输出谁在说、何时说、说了什么的结构化转写，支持自定义热词，号称覆盖 50 多种语言；2026 年 9 月又发了流式版，语音还在进、文字就在出，边到边标注说话人；7 月的 BitNet 版把 4.62GB 压到 1.58GB，用异构量化在纯 CPU 上跑实时识别。工程化也没落下：进了 Transformers 库、接了 Azure AI Foundry Labs、支持 vLLM 推理、连微调代码都放开了。

TTS 那条线则是一段克制的故事。VibeVoice-TTS-1.5B 本是招牌：单次合成 90 分钟、最多 4 个说话人的长对话语音，拿下 ICLR 2026 Oral。但 2025 年 9 月，微软以「被用于与声明意图不符的方式」为由，把 TTS 代码从仓库移除；如今模型表里 TTS-1.5B 的在线试用一栏仍标着 Disabled，Realtime-0.5B 的实时合成线和 9 语种实验音色是后来重启的部分。

两条线放在一起，答案已经写在时间线里：转写是被普遍认为低风险的刚需，于是从模型到云端一路产品化；声音生成天然背着克隆滥用的风险，于是一边拿学术认可、一边在开源侧踩刹车。做语音产品的团队，选型时不妨先想清楚自己站在这条风险光谱的哪一段。