Microsoft Researchは、ストリーミングASRモデル「VibeVoice-ASR-Streaming-1.5B」を公開しました。

このモデルは、音声が届くのと同時に、誰が何を話したかを継続的に書き起こす「Speaker-Attributed Transcription」を備えています。

ユーザーは名前や専門用語などのカスタムホットワードを指定することができ、ドメイン固有の内容に対する認識精度を向上させることが可能です。

対応言語は、日本語、英語、中国語、フランス語、ドイツ語、イタリア語、韓国語、ポルトガル語、ロシア語、スペイン語の10言語となっています。

なお、本プロジェクトはMITライセンスの下で公開されています。

出典: microsoft/VibeVoice-ASR-Streaming-1.5B（HF: Microsoft、2026-09-03）