微软推出面向实时文本转语音（TTS）应用的轻量级模型 VibeVoice-Realtime-0.5B，支持流式文本输入与长语音输出，首音延迟约 300 毫秒，适用于代理对话、实时数据播报等场景。该模型采用交错窗口设计实现低延迟响应，基于声学标记器，运行速率 7.5 赫兹，在 LibriSpeech 测试集上零样本字错误率达 2.00%。推荐与对话大语言模型（LLM）协同部署，支持固定 8k 上下文及约 10 分钟音频输出，满足典型交互式语音需求。