VibeVoice-ASR-Streaming-1.5B

中文简介

VibeVoice-ASR-Streaming-1.5B 将实时转写与说话人归属结合，并支持自定义热词及包含中文在内的十种语言。它适合较轻量的流式会议和语音输入研究。

适用场景

用于会议字幕、多人对话转写和行业术语适配，检查重叠语音及说话人切换。

模型参数

选型方向：语音与音乐。固定上游版本：4262d23d8a539a6530cf64fbd0b1751ef9a30853。API 任务字段：automatic-speech-recognition。API 语言字段：en, zh, es, pt, de, ja, ko, fr, ru, it。API 架构字段：VibeVoiceForASRStreamingTraining。上游最近更新时间：2026-09-03（不一定为首次发布日期）。 规模、子集和组件差异见本页简介及注意事项；API 标签与卡片正文的含义分别保留。

文件说明

上游 API 返回 16 个文件，文件元数据合计 5.26 GB。 已保存文件清单中的主要扩展名：.json 8 个、.safetensors 3 个、.png 2 个、.md 1 个、.txt 1 个、无扩展名 1 个。 当前较大的文件包括：model-00001-of-00003.safetensors（2.33 GB）；model-00002-of-00003.safetensors（2.32 GB）；model-00003-of-00003.safetensors（613.65 MB）。 此处只统计当前 Git 仓库的文件元数据，不包含外部链接、Bucket 或另行申请的完整集合。

上游文件元数据

以下仅为 Hugging Face 官方 API 返回的文件名与大小元数据，官网没有下载或托管这些文件。

• .gitattributes1.69 KB
• added_tokens.json714 B
• config.json2.87 KB
• figures/VibeVoice_ASR_Streaming_architecture.png187.23 KB
• figures/VibeVoice_ASR_Streaming_results.png608.53 KB
• merges.txt1.59 MB
• model-00001-of-00003.safetensors2.33 GB
• model-00002-of-00003.safetensors2.32 GB
• model-00003-of-00003.safetensors613.65 MB
• model.safetensors.index.json117.30 KB
• preprocessor_config.json191 B
• README.md2.19 KB

硬件建议

先选定所需权重格式和精度，再核对推理代码、依赖与目标硬件。仓库元数据合计可能包含多个变体、视觉组件或示例，不能用来直接推算运行显存；内存还受上下文、缓存、批量和并发影响，应以小样本实测确定配置。

注意事项

说话人标签是当前会话的分段归属，不应当作身份认证；先在目标音频质量和语言上验证。

获取、校验与交付

咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件，并在合法访问权限、许可证及平台规则允许的前提下，协助海内外下载、完整性校验及网盘或硬盘交付；本官网本身不托管或下载资源文件。

• 大模型获取与国内转存服务
• 大模型怎么下载：Hugging Face 官方方式与国内交付完整指南
• 国内下载 Hugging Face 模型很慢或经常中断怎么办
• DeepSeek、ChatGPT、豆包、Kimi 能否下载到本地