vLLM本地部署教程：高性能大模型推理引擎怎么搭

什么是VibeVoice

VibeVoice是微软开源的前沿语音AI模型，支持60分钟长音频转录和实时语音合成。已集成到Hugging Face生态。相比OpenAI Whisper，VibeVoice在中文识别准确率更高，长音频处理更稳定。

核心指标

一、安装

pip install vibevoice

# 或从源码
git clone https://github.com/microsoft/VibeVoice.git
cd VibeVoice
pip install -e .

二、音频转录

from vibevoice import VibeVoice

model = VibeVoice.from_pretrained("microsoft/vibevoice-large")

# 长音频转录（60分钟无压力）
result = model.transcribe("meeting_60min.wav")
print(result.text)

# 带时间戳
for seg in result.segments:
    print(f"[{seg.start:.1f}s - {seg.end:.1f}s] {seg.text}")

三、实时转录

# 麦克风实时转录
import sounddevice as sd

def callback(indata, frames, time, status):
    text = model.transcribe_stream(indata)
    if text:
        print(text, end='', flush=True)

with sd.InputStream(callback=callback, samplerate=16000):
    print("说话中... Ctrl+C停止")
    import time; time.sleep(9999)

四、语音合成

# 文字转语音
audio = model.synthesize(
    text="你好，欢迎使用VibeVoice语音合成。",
    voice="zh-CN-XiaoxiaoNeural",
    speed=1.0
)
audio.save("output.wav")

提示：需要本地运行大模型的话，也可以参考 Ollama本地部署教程，Ollama+VibeVoice可以构建完全本地的语音助手。