VibeVoice Technical Report Fachartikel im Überblick (Oktober 2026)

Der VibeVoice Technical Report von Microsoft beschreibt ein Modell, das lange Gespräche mit mehreren Sprechern als Audio erzeugt. Den Code dieses Modells hat Microsoft inzwischen entfernt. Das Repository bietet heute Spracherkennung für lange Aufnahmen und im Streaming sowie ein kleines Echtzeit-Sprachausgabemodell.

Der Bericht führt Next-Token-Diffusion für Sprache ein und einen kontinuierlichen Tokenizer, der laut Autor:innen 80-mal stärker komprimiert als Encodec bei vergleichbarer Qualität. Mit einem Kontextfenster von 64K erzeugt das Modell bis zu 90 Minuten Sprache mit bis zu vier Sprechern.

Seitdem hat Microsoft VibeVoice-ASR für Transkription von 60 Minuten in einem Durchgang in über 50 Sprachen ergänzt, dazu eine Streaming- und eine CPU-Variante sowie das Echtzeit-Sprachmodell VibeVoice-Realtime-0.5B. Am 5. September 2025 hat Microsoft den Code von VibeVoice-TTS nach Missbrauch aus dem Repository entfernt, VibeVoice-TTS-1.5B ist als deaktiviert markiert. Das Repository steht unter MIT, hatte 54.529 Sterne und wurde am 3. September 2026 geändert.

• Text in Echtzeit vorlesenVibeVoice-Realtime-0.5B wandelt fortlaufend eingehenden Text in Sprache um. Laut README ist der erste Ton nach rund 300 Millisekunden zu hören, Passagen von etwa 10 Minuten sind möglich. Produktteams können gesprochene Antworten für Assistenten testen, die Stimmen außerhalb des Englischen gelten laut README als experimentell.
• Lange Besprechungen am Stück transkribierenVibeVoice-ASR verarbeitet bis zu einer Stunde Audio auf einmal und liefert, wer wann was gesagt hat, mit eigenen Hotwords für Namen und Fachbegriffe. Teams erhalten über lange Aufnahmen gleichbleibende Sprecherzuordnungen.
• Spracherkennung auf CPUs betreibenEine mit BitNet quantisierte ASR-Variante läuft laut README in Echtzeit auf CPUs. IT-Teams transkribieren so auf Standardservern oder Edge-Geräten ohne GPU.

• Ein Repository deckt lange Spracherkennung und ein kleines Echtzeit-Sprachmodell ab.
• MIT-Lizenz von Microsoft.
• Microsoft hat den Code der langen Sprachausgabe nach Missbrauch entfernt, das Modell aus dem Bericht lässt sich aus dem Repository nicht mehr betreiben.

Der Fachartikel ist frei auf arXiv abrufbar, der zugehörige Code läuft auf eigener Hardware in jedem Land.

Microsoft nennt VibeVoice ein Forschungsframework und rät vom kommerziellen Einsatz ohne weitere Tests ab. Synthetische Stimmen lassen sich missbrauchen. Legen Sie Regeln für Einwilligung und Kennzeichnung erzeugter Audios fest. Transkripte von Besprechungen enthalten personenbezogene Daten, und die Auswertung kann Verhalten sichtbar machen. Klären Sie Speicherort, Aufbewahrung und § 87 Abs. 1 Nr. 6 BetrVG.

Noch keine Bewertung. Erzählen Sie als Erste:r, wie Ihr Team es nutzt.

Jede Bewertung zeigt ihre Prüfstufe. Wir lesen jede vor der Veröffentlichung. So prüfen wir Bewertungen