{"id":"2079144111287001280","account":"mubei","brand":"@mubei","title":"把声音转成字，早就不稀奇了。 但转录一小时的长音频，最难的根本不是认字。 是认人。 你要在60分钟的多人对话里，精准追踪…","summary":"把声音转成字，早就不稀奇了。 但转录一小时的长音频，最难的根本不是认字。 是认人。 你要在60分钟的多人对话里，精准追踪谁在什么时间说了什么，而且上下句得连得上。 以前的常规操作，是把长音频切碎，一段段去处理。 切块的代价是，跨段落的时候上下文容易丢，说话人的身份容易张冠李戴。…","body":"把声音转成字，早就不稀奇了。\n但转录一小时的长音频，最难的根本不是认字。\n是认人。\n你要在60分钟的多人对话里，精准追踪谁在什么时间说了什么，而且上下句得连得上。\n\n以前的常规操作，是把长音频切碎，一段段去处理。\n切块的代价是，跨段落的时候上下文容易丢，说话人的身份容易张冠李戴。\n\n微软刚出了个新工具，叫 VibeVoice。\n这个 7B（70亿参数）的模型解决问题的方法很直接：不切分。\n它直接把整整一小时的录音，一次性全吞进去。\n\n把所有声音放进同一个处理窗口，一气呵成。\n这样一来，说话人身份的追踪和上下文，就再也不会在段落切换时发生断裂了。","category":"其它","score":null,"percentile":null,"reason_tags":[],"translated_x_url":"https://x.com/i/status/2079258618579320867","translated_status_id":"2079258618579320867","published_at":"2026-07-20 16:07:00","created_at":"2026-07-20T18:01:40+02:00"}