VibeVoice-ASR, Microsoft Research tarafından geliştirilen, 60 dakikaya kadar uzun formattaki ses kayıtlarını tek geçişte işleyebilmek üzere tasarlanmış birleşik bir konuşmadan metne dönüştürme (speech-to-text) modelidir. Bu yenilikçi model, geleneksel ASR sistemlerinin aksine, sesleri kısa parçalara ayırarak küresel bağlamı kaybetme sorununu ortadan kaldırır. 64K token uzunluğundaki sürekli ses girişini kabul ederek, bir saatlik ses boyunca tutarlı konuşmacı takibi ve anlamsal bütünlük sağlar. Bu sayede, özellikle toplantılar, dersler veya podcast'ler gibi uzun süreli içeriklerin doğru bir şekilde yazıya dökülmesi mümkün hale gelir.
Modelin öne çıkan özelliklerinden biri, kullanıcının özel anahtar kelimeler (Customized Hotwords) tanımlayabilmesidir. Bu özellik, belirli isimler, teknik terimler veya sektöre özgü jargon gibi kelimelerin tanıma sürecine dahil edilmesini sağlayarak, alan özelindeki içeriklerde doğruluğu önemli ölçüde artırır. VibeVoice-ASR, sadece konuşmayı metne dönüştürmekle kalmaz, aynı zamanda konuşmacı ayrımı (diarization) ve zaman damgası ekleme işlemlerini de eş zamanlı olarak gerçekleştirir. Bu sayede "kimin neyi ne zaman söylediğini" gösteren zengin ve yapılandırılmış bir transkripsiyon çıktısı sunar.
VibeVoice-ASR, 50'den fazla dili destekleyerek küresel çapta geniş bir kullanım alanı sunar ve açık bir dil ayarı gerektirmez. Ayrıca, konuşmalar içinde veya farklı konuşmalar arasında dil değiştirmeyi (code-switching) doğal bir şekilde yönetebilme yeteneğine sahiptir. Bu çok dilli ve esnek yapısı, uluslararası içeriklerin işlenmesinde büyük kolaylık sağlar. MIT Lisansı altında yayınlanan bu proje, Microsoft Research ekibi tarafından geliştirilmiş olup, geri bildirim ve işbirliğine açıktır.
Bu model, uzun süreli ses kayıtlarının bağlamını koruyarak daha doğru ve yapılandırılmış transkripsiyonlar sunarak konuşmadan metne dönüştürme teknolojisinde önemli bir ilerlemeyi temsil ediyor.