Qu’est-ce que VibeVoice-ASR ?
VibeVoice-ASR est un modèle de reconnaissance vocale ouvert de Microsoft Research, sorti sous la licence MIT le 21 janvier 2026. Il traite jusqu'à 60 minutes d'audio en une seule passe dans une fenêtre de 64K tokens, et produit une transcription structurée de qui a parlé, quand et ce qu'il a dit, combinant transcription, diarisation de locuteur et horodatages. Il prend en charge plus de 50 langues, gère le code-switching et accepte des mots-clés personnalisés pour les noms et le jargon.
Il appartient à la famille VibeVoice, dont l'histoire compte. Microsoft a sorti le modèle de synthèse vocale VibeVoice en août 2025, puis a retiré son code de GitHub en septembre 2025 après avoir constaté qu'il était « utilisé de façons incompatibles avec l'intention déclarée ». Les poids TTS restent sur Hugging Face, avec un avertissement IA audible et un filigrane intégrés, mais sont marqués pour la recherche uniquement. La lignée ASR a continué : une version BitNet adaptée au CPU a suivi en juillet 2026 et une version Streaming en septembre 2026.
VibeVoice-ASR vaut-il le coup ?
VibeVoice-ASR est le modèle ouvert vers lequel se tourner quand l'enregistrement est une longue réunion plutôt qu'un court clip. Whisper et Parakeet renvoient des mots ; déterminer qui a parlé quand est un second modèle avec ses propres erreurs. Le modèle de Microsoft fait les deux sur jusqu'à 60 minutes dans une fenêtre de 64K tokens, ce qui garde les étiquettes de locuteur cohérentes de la première à la dernière minute.
Microsoft publie désormais ses chiffres en texte plutôt qu'en graphiques seuls. Sur le jeu de réunions multilingue MLC-Challenge, il rapporte un taux d'erreur de diarisation moyen de 3,42 % et un WER de 12,07 % sur 11 langues, de 7,99 % en anglais à 21,54 % en portugais. Sur de l'anglais à champ lointain depuis un seul microphone distant (AMI-SDM), le WER monte à 24,65 %. Ce sont des benchmarks de réunion autodéclarés, pas les jeux de parole lue que la plupart des classements utilisent, et le modèle est toujours absent du tableau speech-to-text d'Artificial Analysis (61 modèles évalués au 26 octobre), où Parakeet hébergé obtient 4,5 % et ElevenLabs Scribe v2 2,2 %.
Il est lourd pour un transcripteur. Hugging Face liste environ 9 milliards de paramètres et 17 GB de poids BF16, contre 0,6 milliard pour Parakeet, et le guide d'installation de Microsoft part d'un conteneur NVIDIA PyTorch avec flash attention. La version BitNet, VibeASR.cpp, réduit le modèle à 1,58 GB et tourne plus vite que le temps réel sur trois threads CPU, selon Microsoft. La licence MIT autorise l'usage commercial, pourtant le README qualifie les modèles de « destinés uniquement à des fins de recherche et développement » et déconseille l'usage commercial sans tests supplémentaires, une ligne que les équipes juridiques liront attentivement.
L'histoire d'abus de la famille appartient à la synthèse vocale : Microsoft a retiré le code TTS de VibeVoice en septembre 2025. La transcription ne porte aucun risque d'usurpation d'identité, et la lignée ASR a continué de sortir, avec la prise en charge de Transformers et un référencement Azure AI Foundry Labs en mars 2026 et un modèle streaming avec mots-clés en septembre. Ce modèle streaming couvre 10 langues, un cinquième de la gamme du modèle par lots.
Là où il fait la différence
Un ingénieur plateforme dans un cabinet de 200 personnes avec un GPU de centre de données disponible
Transcrire des réunions enregistrées avec des étiquettes de locuteur sans envoyer l'audio dehors
Servir le modèle avec vLLM et envoyer chaque enregistrement jusqu'à une heure comme une seule requête, en passant les noms des participants et les termes de projet comme mots-clés. Il n'y a pas de frais à la minute ; le coût est le temps de GPU, et l'audio ne quitte jamais le réseau.
Une société de production de podcasts qui publie 40 heures d'interviews par mois
Obtenir des transcriptions étiquetées par locuteur pour les notes d'émission et les légendes
Une passe par épisode renvoie qui a dit quoi avec horodatages, remplaçant un pipeline Whisper-plus-diarisation. À titre de comparaison, 2 400 minutes sur ElevenLabs Scribe v2 font environ 9 $ par mois aux 0,22 $ l'heure d'ElevenLabs, si bien que l'auto-hébergement ne paie que si le GPU existe déjà ou que l'audio doit rester en interne.
Un chercheur de terrain qui enregistre des interviews sur un portable
Transcrire sans GPU ni service cloud
VibeASR.cpp, la version BitNet, fait 1,58 GB et tourne plus vite que le temps réel sur trois threads CPU selon Microsoft. Sa précision face au modèle complet n'est pas publiée dans les chiffres que nous avons lus.
Avant de vous engager
- Mise en route
- Le guide de Microsoft part du conteneur NVIDIA PyTorch 25.12, installe flash attention et le dépôt avec pip ; Transformers le charge nativement depuis mars 2026, et un guide séparé couvre le service vLLM.
- Intégrations
- Transformers, vLLM, VibeASR.cpp pour le CPU et Azure AI Foundry Labs ; aucun fournisseur d'inférence Hugging Face ne l'héberge. Les instructions d'affinage sont sur GitHub.
- Données et confidentialité
- Auto-hébergé, si bien que l'audio reste sur votre matériel. La licence MIT autorise l'usage commercial, mais le README décrit les modèles comme destinés à la recherche et au développement et demande des tests supplémentaires avant un déploiement commercial.
- Coût à grande échelle
- Aucun prix hébergé n'existe. L'auto-hébergement signifie environ 17 GB de poids BF16 sur un GPU, ou la version BitNet de 1,58 GB sur CPU ; à grande échelle, Together AI facture 1,50 $ les 1 000 minutes pour Parakeet hébergé et ElevenLabs environ 3,67 $ (ses 0,22 $ l'heure) pour Scribe v2.
- Limites
- 60 minutes par passe dans une fenêtre de 64K tokens, si bien que les enregistrements plus longs doivent être découpés. Le WER autodéclaré va de 7,99 % sur les réunions en anglais à 24,65 % sur l'AMI-SDM à champ lointain ; la variante streaming ne couvre que 10 langues.
Les points forts
- Transcription, étiquettes de locuteur et horodatages en une passe
- Jusqu'à 60 minutes par passe, plus de 50 langues, mots-clés personnalisés
- Licence MIT ; prise en charge de Transformers et vLLM
- La version BitNet de 1,58 GB tourne sur CPU
Les points faibles
- Environ 9B de paramètres et 17 GB de poids
- Précision seulement autodéclarée ; 24,65 % de WER sur l'AMI-SDM à champ lointain
- Le README déconseille l'usage commercial sans tests supplémentaires
- Aucun fournisseur d'inférence hébergé ; l'accès Azure passe par Foundry Labs
Idéal pour
Les équipes qui transcrivent de longs enregistrements multi-locuteurs sur leur propre matériel et veulent des étiquettes de locuteur sans une étape de diarisation distincte.
Alternatives à VibeVoice-ASR
VibeVoice-ASR : questions fréquentes
- VibeVoice-ASR vaut-il le coup ?
- VibeVoice-ASR transforme une réunion d'une heure en une transcription étiquetée par locuteur en une passe, et chaque chiffre de précision pour lui est toujours celui de Microsoft. Nous lui donnons 3.8 sur 5.
- Combien coûte VibeVoice-ASR ?
- Gratuit sous la licence MIT. Aussi disponible dans Azure AI Foundry Labs.
- Quels sont les inconvénients de VibeVoice-ASR ?
- Environ 9B de paramètres et 17 GB de poids; précision seulement autodéclarée ; 24,65 % de WER sur l'AMI-SDM à champ lointain; le README déconseille l'usage commercial sans tests supplémentaires; aucun fournisseur d'inférence hébergé ; l'accès Azure passe par Foundry Labs.
- À qui s’adresse VibeVoice-ASR ?
- Les équipes qui transcrivent de longs enregistrements multi-locuteurs sur leur propre matériel et veulent des étiquettes de locuteur sans une étape de diarisation distincte.
- Combien coûte VibeVoice-ASR pour une équipe ou en production ?
- Aucun prix hébergé n'existe. L'auto-hébergement signifie environ 17 GB de poids BF16 sur un GPU, ou la version BitNet de 1,58 GB sur CPU ; à grande échelle, Together AI facture 1,50 $ les 1 000 minutes pour Parakeet hébergé et ElevenLabs environ 3,67 $ (ses 0,22 $ l'heure) pour Scribe v2.
- VibeVoice-ASR est-il sûr pour les données de l’entreprise ?
- Auto-hébergé, si bien que l'audio reste sur votre matériel. La licence MIT autorise l'usage commercial, mais le README décrit les modèles comme destinés à la recherche et au développement et demande des tests supplémentaires avant un déploiement commercial.
- Quelles sont les meilleures alternatives à VibeVoice-ASR ?
- Les alternatives les plus proches que nous avons testées sont Parakeet TDT 0.6B v3, Whisper large-v3-turbo, ElevenLabs Scribe v2 et MOSS-Transcribe-Diarize 0.9B.
Réponses vérifiées le 26 oct. 2026.