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…

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。

微软刚出了个新工具，叫 VibeVoice。 这个 7B（70亿参数）的模型解决问题的方法很直接：不切分。 它直接把整整一小时的录音，一次性全吞进去。

把所有声音放进同一个处理窗口，一气呵成。 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。