microsoft/VibeVoice

简单来说，它就是一套强大的语音处理工具，既能听懂人说话（语音转文字），也能像人一样说话（文字转语音）。

解决了以前做语音识别需要付费 API 贵、长音频容易断的问题，也解决了合成语音听起来像机器人的尴尬。

程序员、视频博主、会议记录员、以及任何想用本地算力处理语音的个人或团队。

开会录音自动生成带时间戳的会议纪要、给视频配音不需要请人、制作多语言的语音助手功能。

微软大厂背书质量高、支持 60 分钟超长音频一次处理、开源免费不用额外花钱、支持 50 多种语言。

需要懂一点 Python 编程，最好有独立显卡，不过官方提供了在线试用链接，小白也能先体验看看。