VibeVoice

3.0

VibeVoice 是一个前沿的开源文本转语音模型，专为生成富有表现力的长篇多说话人对话音频（如播客）而设计。

标签

AI视频生成文本转语音开源表现力语音生成长音频合成

最后更新 2026 年 9 月 4 日

简介

欢迎来到VibeVoice，一个突破性的开源文本转语音（TTS）模型。它专为生成高质量、富有表现力的长篇多说话人对话音频而精心打造，旨在彻底改变播客、有声书和对话式内容的创作方式。

主要功能

多说话人对话生成：能够无缝地模拟多个独特的说话者声音，创造出自然流畅的对话体验。

长篇音频合成：针对播客、旁白等长篇内容进行了深度优化，确保音频的连贯性和稳定性。

丰富的表现力：模型能够捕捉并生成包含不同情感、语调和节奏的语音，让合成声音更具生命力。

开源与可定制：作为开源项目，开发者可以访问、使用并贡献代码，根据自己的需求进行定制和优化。

适用人群

内容创作者：如播客主、视频制作者，可以快速生成高质量的旁白或对话内容。
开发者和研究者：可以将其集成到自己的应用程序中或作为语音技术研究的基础。
教育机构和企业：用于制作培训材料、在线课程的有声内容，降低成本并提高效率。
无障碍服务倡导者：为视障人士或有阅读困难的人群将文本转换为更生动的语音。