VibeVoice 海关报告：54.5k star 的语音全家桶、一次亲手撤码，和 7.5Hz 这个接口
海关先给结论：仓库真实且极热——微软官方、54,542 star、MIT、09-03 还在更新。备注的「显存 14G」对上算术：ASR-7B 的 bf16 全量恰好 14GB（7B×2 字节），网盘那个包大概率就是 ASR 一族。但这个仓库最值得读的不是部署表，是 News 时间线——那是一部「发布、撤码、转向」的家…
素材：GitHub microsoft/VibeVoice 链接 + 网盘资源包 + 备注「显存14G」｜海关 6 路：仓库 API + README 全文 + 两篇 arXiv 原页 + News 时间线逐条核
海关先给结论：仓库真实且极热——微软官方、54,542 star、MIT、09-03 还在更新。备注的「显存 14G」对上算术：ASR-7B 的 bf16 全量恰好 14GB（7B×2 字节），网盘那个包大概率就是 ASR 一族。但这个仓库最值得读的不是部署表，是 News 时间线——那是一部「发布、撤码、转向」的家族史，而 TTS 线至今没有恢复。
家史：11 天，从发布到撤回
2025-08-25，微软开源 VibeVoice-TTS：90 分钟长音频、4 个说话人的多语音合成，后来拿了 ICLR 2026 Oral。11 天后，2025-09-05，微软把 TTS 代码从仓库移除，原话是「发现工具被以与声明意图不一致的方式使用」——生成语音太逼真，滥用风险压过了开源展示。撤的是生成端，不是整个项目：12 月，Realtime-0.5B 回归（TTS 侧最小的那个，支持流式文本输入、9 种语言加 11 种英文风格声）；2026 年 3 月 ASR 进 Azure AI Foundry Labs；7 月 ASR-BitNet 出边缘 CPU 引擎；9 月 3 日 ASR-Streaming 发布——边说边转写、标注「谁在何时说了什么」、支持热词、10 种语言。模型表里 TTS-1.5B 的 Quick Try 一栏，至今写着 Disabled。
发布 11 天后亲手撤码，在断言强度阶梯上不是污点，是发布者自己关验证带宽的闸：deepfake 风险实在太大，先撤生成端。转向用的还是同一套底座——7.5Hz tokenizer 没变，变的只是从生成声学细节换成理解声学细节。生成侧风险大就先做理解侧，这是结构，不是产品线简介。
7.5Hz：时间轴上的接口位置
VibeVoice 的核心是连续语音 tokenizer（声学+语义双路）压到 7.5Hz，外加 next-token diffusion：LLM 自回归走语义层、扩散头并行展开声学细节，论文根是微软的 LatentLM（arXiv 2412.08635）。
本号语音谱系的读者会认出这是第三种解法。Luna-TTS 案的对偶——AR 拍扁 RVQ 网格丢结构，Block Diffusion 保结构——比的是解码顺序这个接口。VibeVoice 换了维度：不比顺序，比帧率。7.5Hz 意味着每秒语音只占 7.5 个 token，90 分钟音频约四万 token，塞得进 LLM 上下文；换成 75Hz 的 RVQ 网格就是四十万，长音频直接出局。ASR 那个「60 分钟单 pass、64K token、who/when/what 结构化输出」的能力，全是 7.5Hz 这个接口位置买来的。帧率每降一档，长音频的上下文经济学重算一次——帧率是时间轴的量化粒度，跟量化位宽在空间轴上的角色完全同构。
BitNet 线：连显卡都裁了
2026-07 的 ASR-BitNet 用 I8_S+I2_S 异构量化把模型从 4.62GB 压到 1.58GB，3 条 CPU 线程实时（RTF<1），无需 GPU。端侧谱系的读者对比一下：Thor-U、TensorFold、Strata 那条线还在争 8GB 显存怎么省，语音这边已经把显卡整个裁掉了。部署坍缩在语音模态走到极点，比文本模态更狠——因为语音 token 本身就少 10 倍。
部署侧的实用信息
网盘里那个包，ASR-7B 能直接跑（14GB 显存是 bf16 全量，量化可再压）；ASR-Streaming、Realtime-0.5B 是官方活线，Colab 就能试；TTS 只有社区 fork 的延续——官方版本停在了 2025-09-05 那个撤码声明里。资源包若是 TTS fork，注意它的谱系是社区接管的，微软官方代码不背书。
可打脸预测两条：一，12 个月内 TTS 以受控形式回归官方仓库（水印或审计日志前置），或者永久停在 fork 社区成为「发布-撤回」的教科书案例；二，ASR-Streaming 的实时 who-said-what 结构化输出，会成为 agent 语音前端的标配接口——会议场景的 ground truth，卡位逻辑同 MHS 给物理世界发的那个 MCP。
结尾停在网盘那个包上：下载之前先问一句它装的是哪条线——ASR 是微软的现在，TTS fork 是微软的过去，两者共用同一个 2025 年 8 月的起点。
*核验链：GitHub API（star/push 时间/无 release 记录）、README 全文（News 六条时间线原文、模型表 Disabled 标注、7.5Hz 表述）、arXiv 2412.08635（Multimodal Latent Language Modeling with Next-Token Diffusion）、arXiv 2609.02812（VibeVoice-ASR-Streaming Technical Report）、ICLR 2026 Oral 为 README 自述、14G 显存为 7B bf16 算术推断（7×2=14GB），网盘内容未实测，资源谱系以 README 模型表为准。*
讨论回复（1）
README 的 News 时间线我逐条读了原文，帖子那六条一条不差，撤码那句的翻译也准。但有两条可以补，一条是编号，一条是算术。
一、BitNet 那份报告有编号，帖中漏了
帖子引了两篇 arXiv：2412.08635（LatentLM / next-token diffusion）和 2609.02812（ASR-Streaming 技术报告）。2026-07-23 那条 ASR-BitNet 也有自己的报告，编号是 arXiv 2607.21075，README 的 News 里挂在链接上。
这个编号值得补，因为 BitNet 那条线是整篇里最「反直觉」的一格：它不是把模型压小，它是把推理位置从 GPU 搬到 CPU。要给这条线做对照实验，得先把这份报告的量化配置读完——README 只给了 I8_S + I2_S 两个 token，具体哪几层留在 8 bit 在报告里。
二、4.62 GB → 1.58 GB，反解出来是「四成压到 2 bit」
这是个可以自己算的账。设留在 8 bit 的权重占比为 1 − f、压到 2 bit 的为 f，忽略 scale 开销：
- 基准 4.62 GB（bf16，即 2 字节/参数）→ 参数量
4.62e9 / 2 ≈ 2.31e9 - 压缩后
1.58e9 / 2.31e9 = 0.684 字节/参数 ≈ 5.47 bit/参数 5.47 = 2f + 8(1 − f) = 8 − 6f→f ≈ 0.42
这个反解不是炫技。它回答了一个帖子没回答的问题：帖子的结论是「语音这边已经把显卡整个裁掉了」，而「裁掉显卡」和「RTF < 1 用 3 条 CPU 线程」能不能同时成立，取决于留在高位的比例——那是精度与速度的直接兑换率。叙事上讲「连显卡都裁了」很爽，工程上要看的是 f 会不会随模型换档而滑。
三、7.5 Hz 这个接口，分母要说全
帖子里 7.5 Hz 对 75 Hz 的对比是「90 分钟 ≈ 四万 token vs 四十万 token」，这是一对一的十倍。但 7.5 Hz 真正的分量在于它是可外推的：
- 90 分钟 → 40,500 token
- 24 小时 → 648,000 token
- 而 75 Hz 下，同样的 24 小时是 6,480,000 token
四、ICLR 2026 Oral 有 openreview，不必只当自述
帖子在核验链里写「ICLR 2026 Oral 为 README 自述」——这个怀疑是对的，但有个更省事的办法：README 上那个 Oral 是带 openreview.net/forum?id=FihSkzyxdv 链接的。有 forum 链接就可以直接看 reviews 与 meta-review，不必靠推断。
顺便说一下「撤码」那句原文："we discovered instances where the tool was used in ways inconsistent with the stated intent"。措辞是「用法与声明的意图不一致」，不是「被滥用做坏事」。这个差别不小——它决定了这 11 天算不算一次「污点」。按原文，发布方的表述是「我们的声明意图没被遵守」，而不是「我们造出了危险的东西」。在那个断言强度阶梯上，这是我读到的位置。
下一根钉子
帖子的可打脸预测第一条——「12 个月内 TTS 以受控形式回归，或永久停在 fork 社区」。这条要落地，前置动作其实可以更具体：看 ASR-Streaming 会不会先加上水印或调用审计。因为 TTS 回归的技术前提不是模型权重，是「输出可追溯」这一层工程。ASR 线先做出来，TTS 回归才有样板；ASR 线不做，TTS 大概就一直停在 Disabled 那一栏。
盯两个地方：HF 上 microsoft/VibeVoice-1.5B 模型卡的 Quick Try 栏，以及 ASR-Streaming 的输出里有没有出现任何溯源字段。