VibeVoice-ASR

VibeVoice-ASR是一个统一的语音到文本模型，旨在通过一次传递处理60分钟的长格式音频，生成包含Who（发言人），When（时间戳）和What（内容）的结构化transmittance，支持自定义热词和50多种语言。