VibeVoice-ASR长音频转录工具：支持说话人分离与时间戳，60分钟会议记录一键生成

VibeVoice-ASR是免费开源的长音频转录工具，单次处理60分钟音频，自动进行说话人分离并输出带时间戳的结构化文本。适合会议纪要、访谈播客、课程字幕等场景。支持50+语言及中英混说。需Windows 10/11，NVIDIA显卡16G以上显存，CUDA≥12.8。提供一键启动整合包下载。

Tags:

• 语音转文本
• 长音频转录
• 说话人分离
• 会议纪要
• 整合包

VibeVoice-ASR 是一款统一式语音转文本模型，专为长音频转录与结构化会议记录打造，能够单次处理最长 60 分钟连续音频，无需切片即可完成高质量识别。它不仅能输出完整文本，还可同步标注 谁说的（Speaker）、何时说的（Timestamp） 和 说了什么（Content），实现真正结构化的语音转录。
相比传统 ASR 模型需要将长音频切分处理，VibeVoice-ASR 支持 64K Token 长上下文输入，可在整段音频范围内保持更稳定的说话人追踪和语义连贯性，特别适合会议、访谈、播客等长时语音场景。

开源地址：https://github.com/microsoft/VibeVoice

一键启动整合包下载地址：

https://aiyy.info/vibevoice-asr/

软件功能：

• 长音频直转：单次可处理最长60分钟连续音频，无需切片即可完成稳定高质量转写。

• 结构化输出：识别结果同步给出Who/When/What字段，便于直接整理与归档检索。

• 说话人区分：自动进行说话人分离与追踪，清晰区分不同发言人内容与段落。

• 时间戳定位：为每段发言标注精准时间点，便于回听核对与快速跳转原音频。

• 多语与热词：支持50+语言与中英混说，并可配置热词提升术语人名识别率。

应用场景：

• 会议纪要：将整场会议录音直接转为带说话人和时间戳的纪要，减少人工整理成本。

• 访谈播客：对长时访谈或播客输出连续文本与分段信息，方便剪辑、发布与引用。

• 课程字幕：为在线课程或讲座音频生成字幕与时间轴，提升学习回放与检索效率。

• 语音归档：企业将客服或内部语音统一转写并结构化存储，支持后续全文搜索复盘。

• 智能助手：为AI Agent提供长语音输入理解能力，用于提炼要点、任务拆解与跟进。

配置要求：

电脑需满足以下配置：

• • 操作系统：Windows 10/11 64位
• • 内存：建议32G以上
• • 显卡：至少16G及以上显存的英伟达（NVIDIA）显卡
• • CUDA：显卡支持的CUDA版本大于等于12.8版本 （如不知道显卡支持的CUDA版本，可点击此链接查看：https://aiyy.info/supported-cuda-versions/）
• • 整个包解压完约41.2G，要留足硬盘空间

如何查看显卡品牌型号和显存

• • 打开任务管理器
• • 点击“性能”
• • 点击“GPU”
• • 右上角可以看到显卡型号，下方可以看到显存大小

使用教程：

① 打开下载页面（https://aiyy.info/vibevoice-asr/）点击页面右侧下载按钮（手机端在页面底部），下载整合包之后解压，建议使用winrar解压（解压软件在文件包中，或者可以自己下载安装，下载地址：https://www.winrar.com.cn/）

不要用Windows自带解压！！不要用360解压！！

注意：文件夹路径和文件名称（包括音频、图片、视频等文件名称）不要出现中文字符，否则部分软件会因识别不出而报错

② 双击“一键启动.bat”，稍等片刻会在浏览器中自动打开操作界面

③ 上传音频，根据说明调整参数（或者保持默认即可），开始识别，查看识别结果

如下图所示

④ 在文件包中的“outputs”文件夹中也可以找到识别结果

以上就是本期分享的内容，所需工具在下方网址中👇👇👇可以自取👇👇👇

后期持续分享 AI 应用、AI 落地项目及实用工具

更多 AI 软件获取方式

👇👇👇👇 👇👇 👇👇 👇👇 👇👇 👇👇 👇👇

aiyy.info

（浏览器地址栏中输入上方网址，或点击微信公众平台文末左下角「阅读原文」可直接跳转）