微软这次放出的 VibeVoice-ASR-Streaming-7B，我觉得挺适合做实时语音 Agent。
它不是“录完一段音频，再慢慢转文字”，而是人还在说，文字就已经开始出来了。
比较实用的几个点：
支持实时流式转写、能识别谁说了什么、支持自定义 Hotwords，技术名词、人名这类词可以单独加强
支持中英日韩等 10 种语言
7B 版本，权重直接开源，MIT License (Hugging Face)
更有意思的是，微软的技术报告里称，7B 版本在 5 个评测集上的平均 WER/CER 最低，13 个说话人归属评测里有 12 个拿到最佳或并列最佳。
实时语音 Agent 现在缺的可能不是一个更大的模型，而是这种真正能边听边处理的 ASR。
会议记录、实时字幕、语音助手、电话 Agent，都能直接用上。
而且微软这次直接把模型权重和推理代码放出来了。
语音 Agent 这条赛道，开始越来越卷了。
Hugging Face：https://huggingface.co/microsoft/VibeVoice-ASR-Streaming-7B
#
https://huggingface.co/microsoft/VibeVoice-ASR-Streaming-7B