微软 VibeVoice-1.5B 重新定义 TTS 技术边界
一、教程简介
* 该教程仅供学习交流，根据 《人工智能生成合成内容标识办法》，请用户在合法合规的科研范围内生成使用，严禁非法使用教程。
VibeVoice-1.5B 是由微软于 2025 年 8 月发布的新型文本到语音（TTS）模型，能生成富有表现力、长篇幅、多说话者的对话式音频，如播客。模型通过创新的连续语音标记化技术和下一代标记扩散框架，结合大型语言模型（LLM），实现高效处理长序列音频的能力，同时保持高保真度。 VibeVoice 能合成长达 90 分钟的语音，支持多达 4 位不同说话者，突破传统 TTS 系统的限制，为自然对话和情感表达提供新的可能。
该教程算力资源采用单卡 RTX 4090 。
二、效果展示
三、运行步骤
1. 启动容器
2. 使用步骤
若显示「Bad Gateway」，这表示模型正在初始化，由于模型较大，请等待约 2-3 分钟后刷新页面。
具体参数：
- Generation Parameters
- CFG Scale：调节生成音频与输入对话文本之间一致性
结果
四、交流探讨
🖌️ 如果大家看到优质项目，欢迎后台留言推荐！另外，我们还建立了教程交流群，欢迎小伙伴们扫码备注【SD 教程】入群探讨各类技术问题、分享应用效果↓
