VibeVoice是微软开发的一款富有表现力的长篇多人对话语音合成工具。支持1-4个发音人，支持声音克隆自定义音色合成语音，我制作了最新的本地免安装一键启动整合包及云端在线版。
VibeVoice介绍
VibeVoice：一种前沿的长对话文本转语音模型
VibeVoice 是一个新型框架，旨在从文本生成富有表现力的长篇多说话人对话音频，例如播客。它解决了传统文本转语音 (TTS) 系统中的重大挑战，尤其是在可扩展性、说话人一致性和自然轮流说话方面。
VibeVoice 的核心创新在于其采用连续语音分词器（声学分词器和语义分词器），并以 7.5 Hz 的超低帧率运行。这些分词器能够高效地保持音频保真度，同时显著提升处理长序列的计算效率。VibeVoice 采用下一词元扩散框架，利用大型语言模型 (LLM) 理解文本上下文和对话流程，并使用扩散头生成高保真声学细节。
该模型可以合成长达90 分钟、最多4 个不同说话人的语音，超越了许多先前模型通常 1-2 个说话人的限制。
VibeVoice整合包使用说明
为了方便有高配电脑和没有高配电脑的用户使用，我分别制作了本地免安装整合包版及云端在线一键启动版。
首先到网盘内将软件压缩包下载到本地电脑上,英伟达显存16G以上用户可下载7B版，低配英伟达显卡用户下载1.5B版，然后解压出来。
双击启动软件.bat，启动成功后会自动打开webUI操作界面
可以选择默认的发音人，也可以自定义音色发音人。
如果需要自定义声音的话，可在上传音频中上传需要使用的声音的音频文件即可。如果需要反复使用这个 声音的话，建议将音频文件放入项目文件夹内的voices文件夹内，在使用的时候直接从列表里选择就可以了，更方便。
脚本输入里输入需要合成语音的文本内容即可。
多人对话时，建议在文本开头写上“Speaker 1:”和“Speaker 2:”这样的关键词来区分不同说话人内容。
点击生成播客，等待合成结果即可。
视频教程及效果演示视频：
注意事项
软件只支持中英文语音合成
本地整合包软件只支持windows10和11
软件运行路径中不要出现非英文字符和空格
英伟达显卡需要RTX30系列或更高型号
7B模型版，建议英伟达显存16G以上用户使用
软件会随机合成一些背景乐，这是由场景决定的，如果想要删除，请修改出现背景乐的文本内容
VibeVoice本地电脑免安装一键启动整合包下载链接
VibeVoice在线一键启动版链接
VibeVoice免费在线使用地址
相关推荐
多人对话声音克隆语音合成工具Chatterbox TTS免安装版，AI实时文字转语音- 阿里千问Qwen3-TTS声音克隆语音合成软件【低配电脑版】
- 阿里Qwen3-TTS高质量声音克隆语音合成系统，AI视频配音多人对话生成工具
- 多人对话有声书制作软件VoxCPM Windows版整合包，高质量声音克隆语音合成工具
- 【免安装/解压即用】支持600+语言的神级TTS！OmniVoice 零样本语音克隆一键整合包发布
- 带声音克隆功能的对话型文字转语音软件higgs-audio免安装一键启动整合包下载
- 抖音出品高质量声音克隆文字转语音合成软件MegaTTS3整合包下载
- 多人对话语音合成软件CSM整合包，AI多人文字转语音工具
最近更新
Claude居然自称“本人”
今天在和Claude聊网文写作的时候，Claude回复中居然自称本人，这让我有点震惊。 我经常会和AI聊工具功能对比等话题，ChatGPT、Gemini、Claude这些以前我记得从来没有自称过本人的，好像都是本模型，本工具等等，反正从来没...
图像无损放大神器：Topaz Gigapixel AI软件下载及使用指南
在数字内容创作成风头的今天，我们经常会遇到低分辨率素材模糊、AI 生成图片尺寸太小、或者老照片充满噪点的情况。传统的图像放大方式（如双三次插值）只是单纯地拉伸像素，容易让画面变得模糊、虚化。 如果你正在寻找一种能“凭空”补齐细节、让低画质瞬...
AI视频提示词反推工具，参考视频即梦提示词一键生成
本工具是一款面向 AI 视频生成创作者的本地离线辅助软件。用户导入任意视频文件，工具会自动完成场景检测、关键帧提取、多模态模型分析、提示词拼装等全流程，最终输出一份可直接复制粘贴到即梦 AI 等视频生成平台的完整提示词。 适用场景 功能特点...
免费在线HTML转markdown工具
经常看一些在线文档，想复制给AI参考的话不方便直接复制，转换成markdown再给AI阅读会更简单明了，也方便自己查阅，这里给大家推荐两个在线的免费HTML转markdown网站。 1、https://d1tools.com/tools/c...
闲鱼自动回复机器人XianyuAutoAgent下载，24小时在线智能客服机器人系统
XianyuAutoAgent是一款面向闲鱼平台的智能化自动回复机器人，利用大语言模型自动识别买家意图并生成专业回复，实现 7×24 小时智能客服。 主要功能 1. 智能自动回复 2. 可视化 Web UI 3. 人工接管模式 4. 安全防...
AI漫剧制作即梦seedance2.0教程及提示词2026年5月最新版分享
AI视频依旧持续火爆，各种类型的AI视频层出不穷，视频效果也是越来越好，甚至快接近影视级，目前最主要的AI视频生成工具还是即梦，即梦 Seedance 2.0生成视频一秒钟都到2块多钱了😂，不过也没办法，还是得用，目前还没能有替代即梦see...
AI实时语音聊天对话系统，外语口语陪练/虚拟好友实时语音交流
AI 实时语音对话系统 是一款集语音识别（ASR）、大语言模型（LLM）对话、语音合成（TTS）于一体的实时语音交互软件。用户通过麦克风说话，系统自动识别语音内容并转为文字，交由 AI 角色进行智能回复，最终将回复内容合成为语音实时播放，实...
ComfyUI 三参考图生图工作流，虚拟试衣、换脸、图片内容整合
本工作流核心能力是将三张不同角度、内容的参考图，通过 AI 理解融合，生成一张新的图像，新图像内容根据描述词指令生成。工作流集成了阿里巴巴的 Qwen2.5-VL 多模态大模型（图像编辑版本）与 SeedVR2 超分辨率放大模型，实现了「理...
comfyui CUDA128+torch 2.8.0+python3.12最新纯净版一键启动整合包
comfyui官方发布的最新版便携包是基于torch 2.11+CU130 +Python 3.13版本制作的，Python版本和torch版本都太新了，windows电脑上安装某些节点的时候会有冲突报错，有时候就算能安装上也会比较麻烦，感...
LTX2.3+comfyui音频驱动视频生成工作流
这是一个基于 ComfyUI 的 LTX 2.3 音视频同步生成工作流，核心功能是上传一段音频 + 参考图片（可多张图），自动生成与音频内容对应的视频，适合制作人物说话、唱歌等口型同步视频。工作流使用8位量化版ltx2.3模型，显存需求降低...
