VibeVoice 多人对话合成 · AI 播客生成 · 萤炬工具箱

VibeVoice 多人对话合成把一份对话脚本读成一整段连续音频，单次最长 90 分钟、最多 4 个说话人，适合做播客、有声书、多角色旁白。它不是把每句单独合成再拼接，而是一次性生成整段对话，所以轮次衔接和语气承接比逐句拼更自然。合成依赖云端 GPU，脚本会上传到后端推理服务，长对话耗时可达数分钟。

VibeVoice 多人对话合成把一份对话脚本读成一整段连续音频，单次最长 90 分钟、最多 4 个说话人，适合做播客、有声书、多角色旁白。它不是把每句单独合成再拼接，而是一次性生成整段对话，所以轮次衔接和语气承接比逐句拼更自然。合成依赖云端 GPU，脚本会上传到后端推理服务，长对话耗时可达数分钟。

使用步骤

1. 选「单说话人」朗读整段文本，或选「多说话人对话」逐句编排台词。
2. 多人模式先定说话人数量（最多 4 人），再给每位指定音色。
3. 逐句填台词并选好归属的说话人；同一个人连续说很多话时拆成多句，避免语速越读越快。
4. 按需调 CFG 引导强度与扩散步数，点击合成后等待云端返回。
5. 在线试听，满意就下载 WAV；不满意可改音色或重新断句再合成。

功能与限制

• 合成在云端 GPU 上完成，脚本需要上传，并非本地处理。
• 单次最多 4 个说话人，说话人编号从 1 开始，总字数上限 8000。
• 输出 24kHz 单声道 WAV；长对话生成耗时可达数分钟。
• 模型仅支持中英文，其他语言可能输出异常。
• 官方定位为研究用途、不建议商用；分享 AI 生成音频时建议标注。

常见问题

脚本会上传吗？

会。VibeVoice 是云端 GPU 模型，对话脚本会经后端转发到推理服务，不是浏览器本地合成。不要把敏感信息写进台词。

为什么合成要等好几分钟？

这是长音频模型，生成时间与对话总长度正相关，再叠加 GPU 冷启动和排队。想快一点就减少台词量、降低扩散步数。

为什么会莫名出现背景音乐？

模型训练数据没做降噪，背景音是它的固有特性。选到带环境音的音色，或台词以「欢迎收听」这类开场词起头时，更容易触发。换一个干净音色通常能避开。

中文合成偶尔不稳定怎么办？

官方建议中文也只用英文逗号和句号，中文引号容易引发发音问题。模型的中文训练数据远少于英文，遇到读错可以改写措辞或重试。

合成的声音能商用吗？

不建议。VibeVoice 由微软以研究用途发布，官方明确不推荐商用；微软还曾因滥用下架过官方推理代码。克隆真人声音另有法律风险，务必先取得本人同意。