VibeVoice-ASR

VibeVoice-ASR — открытая модель речи в текст для длинных записей. По карточке модели, она принимает до 60 минут непрерывного звука за один проход (64 тысячи токенов), а не режет его на короткие куски, и выдаёт структурированную расшифровку: кто говорил (говорящий), когда (метки времени) и что (содержание). Можно передать собственные подсказки — имена и термины, — чтобы повысить точность на специальном материале. Поддерживает больше 50 языков, не требует указывать язык и справляется со сменой языка внутри записи. По метаданным Hugging Face, в модели около 8,7 миллиарда параметров; требований к видеопамяти в карточке нет. Авторы также выпустили отдельный движок для запуска на процессоре, VibeVoice-ASR-BitNet, и потоковый вариант (см. репозиторий на GitHub). На Open ASR Leaderboard (английская короткая речь, девять тестовых наборов, проверено 20.10.2026) версия для Transformers показывает среднюю долю ошибок в словах 8,23%; модель создана для длинных записей, поэтому на коротких фрагментах её главное преимущество не видно. Выпущена 21.01.2026. Веса лежат в открытом доступе, без подтверждения условий, под лицензией MIT, она разрешает коммерческое использование. У авторов есть официальная демонстрация (Space на Hugging Face), код лежит на GitHub. Дата проверки: 20.10.2026.