VibeVoice

VibeVoice es un innovador framework de código abierto desarrollado por Microsoft para la síntesis de voz conversacional de alta calidad. La herramienta permite generar audios largos de hasta noventa minutos y soporta múltiples interlocutores con hasta cuatro voces distintas. Su tecnología combina un modelo de difusión de tokens con un modelo de lenguaje grande para ofrecer una latencia ultra baja de aproximadamente trescientos milisegundos en tiempo real, facilitando interacciones fluidas en streaming. Diseñado para creadores de contenido y desarrolladores, el sistema incluye soporte para once idiomas, entre ellos inglés, chino y nueve opciones experimentales como el español. Sus capacidades resultan ideales para la producción automatizada de podcasts, audiolibros, asistentes virtuales, chatbots y diálogos dinámicos para videojuegos, destacando frente a soluciones comerciales tradicionales por su enfoque modular y su acceso gratuito como proyecto open-source.