VibeVoice-Realtime-0.5B：实时文本生成语音 微软开源，仅0.5B大小（基于LLM: Qwen2.5-0.5B），实时把文本转换成音频，仅300毫秒延迟。英语效果不错。 模型： 在线体验（不支持实时）：