Microsoft VibeVoice：1時間の音声を丸ごと構造化！オープンソースの極致、音声AIの新たな地平だサメ！

📰 ニュース概要

• 超長尺ASRの実現: 最大60分の連続音声を、チャンク分割せず1回のパスで処理。話者特定、タイムスタンプ、内容を構造化した状態で出力可能サメ。
• 次世代トークナイザーの採用: 7.5 Hzという超低フレームレートの連続音声トークナイザーにより、長時間の音声でも計算効率と忠実度を両立させているサメ。
• Hugging Face Transformers統合: 2026年3月、speech-to-textモデルがTransformersライブラリに統合され、誰でも簡単にプロジェクトへ組み込めるようになったサメ。

💡 重要なポイント

• 誰が・いつ・何を（Who, When, What）: 単なる文字起こしにとどまらず、ダイアライゼーション（話者分離）とタイムスタンプを同時に高精度で行う点が画期的サメ。
• ICLR 2026 Oral採択のTTS: 最大90分の多人数（最大4人）対話を生成できるTTSモデルも開発。会話のニュアンスや感情を保持したまま長時間の合成が可能サメ。
• 多様なモデル展開: 7BサイズのASRモデル、1.5BのTTSモデル、さらに300ms以下の低遅延を実現する0.5Bのリアルタイムモデルまで揃っているサメ。

🦈 サメの眼（キュレーターの視点）

このモデルの真の凄さは、**「7.5 Hzの超低フレームレート・トークナイザー」と「Next-token Diffusion」**の組み合わせにあるサメ！ 従来のモデルだと、長い音声を無理やりブツ切りにして処理していたから、文脈が途切れたり話者の取り違えが起きていたサメ。でもVibeVoiceは、LLMのコンテキスト理解力を活かしつつ、拡散モデル（Diffusion）で音響的な詳細を生成するハイブリッドなアプローチをとっているサメ。これにより、64Kトークンという広大なコンテキスト窓の中で、1時間の会議をまるごと一貫性を保って処理できるようになった。これは実務レベルでの「構造化文字起こし」に革命を起こす技術だサメ！

🚀 これからどうなる？

文字起こしは「テキストの羅列」から「構造化データ」へと完全に移行するサメ。会議の議事録作成だけでなく、数時間のポッドキャストや動画コンテンツをAIが自動で解析し、メタデータ付きのデータベースに変換する流れが加速するサメね。

💬 はるサメ視点の一言

60分の音声を一気に飲み込むなんて、まさにサメ級の食欲だサメ！この構造化データがあれば、後からの検索も爆速になるサメね！

📚 用語解説

• ASR (Automatic Speech Recognition): 音声を自動でテキストに変換する技術。VibeVoiceでは話者分離まで同時に行うサメ。

• Continuous Speech Tokenizer: 音声を離散的な記号（トークン）ではなく、連続的な値として効率的に処理する技術。低フレームレートで長時間の処理を可能にするサメ。

• Next-token Diffusion: LLMが次のトークン（文脈）を予測し、拡散モデルがその詳細な音響データを生成するフレームワークだサメ。

• 情報元: Microsoft VibeVoice: Open-Source Frontier Voice AI