Przejdź do treści

Narzędzia AI

VibeVoice-ASR kontra Whisper: co naprawdę zmieniło się w STT

Zaktualizowano: Autor: Andrzej Niemiec8 min czytania

VibeVoice-ASR od Microsoftu transkrybuje do 60 minut audio w jednym przebiegu i sam wskazuje mówców. Porównujemy go z Whisperem: licencja, diarizacja, ograniczenia.

VibeVoice-ASR kontra Whisper: co naprawdę zmieniło się w STT
Spis treści
  1. Czym jest VibeVoice-ASR i czym różni się od reszty rodziny VibeVoice?
  2. Jak VibeVoice-ASR wypada w porównaniu z Whisperem?
  3. Dlaczego transkrypcja, diarizacja i znaczniki czasu w jednym przebiegu mają znaczenie?
  4. Czego VibeVoice-ASR nie robi i gdzie leży ryzyko?
  5. Czy licencja MIT wystarcza, by wdrożyć model w firmie?
  6. Czy VibeVoice-ASR sprawdzi się w polskim wdrożeniu?
  7. Co dalej z VibeVoice?
  8. Najczęstsze pytania
  9. Źródła

Czym jest VibeVoice-ASR i czym różni się od reszty rodziny VibeVoice?

VibeVoice-ASR to otwarty model rozpoznawania mowy opublikowany przez Microsoft Research 21 stycznia 2026 roku. Transkrybuje do 60 minut ciągłego audio w jednym przebiegu, w kontekście do 64 tys. tokenów, i zwraca strukturę „kto, kiedy, co”: tekst, mówcę oraz znaczniki czasu [1]. Model obsługuje też własne hotwordy, czyli listy nazw i terminów, które mają zostać rozpoznane poprawnie [1].

VibeVoice nie jest jednak jednym modelem, a rodziną. Część TTS pokazano 25 sierpnia 2025 roku, Realtime TTS 3 grudnia 2025 roku, a ASR dopiero 21 stycznia 2026 roku [2]. Repozytorium rodziny jest prowadzone na licencji MIT [2]. W obiegu funkcjonują równolegle trzy różne opisy „modelu VibeVoice”, dlatego nazwa bez dopisku bywa myląca.

Whisper to model OpenAI pokazany we wrześniu 2022 roku [3]. Dzieli audio na przesuwane okna 30-sekundowe i zwraca transkrypcję, tłumaczenie, identyfikację języka oraz znaczniki czasu [4]. Diarizacja mówców nie jest jego natywnym wynikiem — trzeba ją dołożyć osobnym narzędziem [4].

Jak VibeVoice-ASR wypada w porównaniu z Whisperem?

Porównanie zależy od kryterium: długości nagrania, gotowości diarizacji, znaczników czasu i skali modelu. Poniższa tabela zbiera cechy, które najczęściej decydują o wyborze w projekcie.

KryteriumVibeVoice-ASRWhisper
Długość audio w jednym przebiegudo 60 minut [1]okna 30-sekundowe [4]
Diarizacja mówcównatywna, w tym samym przebiegu [1]wymaga zewnętrznego narzędzia [4]
Znaczniki czasutak, powiązane z mówcą [1]tak, na poziomie segmentów [9]
Hotwordy i słowniki nazwtak, wbudowane [1]brak natywnego mechanizmu w opisie modelu [4]
Licencja repozytoriumMIT [2]kod i wagi dostępne publicznie [4]
Skala modelu (przykład)ok. 9 mld parametrów w wariancie streamingowym [8]809 mln parametrów w Large v3 Turbo [8]

Za VibeVoice-ASR przemawia przede wszystkim praca na długim audio. Jeden przebieg obejmuje do 60 minut nagrania [1], podczas gdy Whisper analizuje dźwięk w oknach 30 sekund [4]. W praktyce oznacza to mniej klejenia segmentów i mniej miejsc, w których granica okna przecina zdanie. Warto porównać to z innymi eksperymentami wokół modeli mowy, które opisujemy w tekście o Talkie.

Skala modelu bywa zaskoczeniem. Wariant streamingowy VibeVoice-ASR-7B ma około 9 mld parametrów, a Whisper Large v3 Turbo to model 809 mln parametrów [8]. Większy model zwykle oznacza wyższe wymagania sprzętowe, więc przewaga funkcjonalna nie jest darmowa. Sposób liczenia takich różnic opisujemy szerzej w artykule o benchmarkach AI.

Dlaczego transkrypcja, diarizacja i znaczniki czasu w jednym przebiegu mają znaczenie?

Bo ograniczają liczbę etapów, na których wynik może się rozjechać. Gdy tekst i rozpoznanie mówcy powstają w jednym modelu, nie trzeba dopasowywać do siebie dwóch niezależnych wyników [1].

W układzie klasycznym transkrypcja i diarizacja to dwa osobne kroki. Whisper zwraca tekst z podziałem na segmenty [9], a informację o mówcy dokłada się później, osobnym narzędziem [4]. Każde dopasowanie to miejsce, w którym etykieta mówcy może trafić do złego fragmentu — zwłaszcza gdy rozmówcy nakładają się na siebie.

VibeVoice-ASR zwraca mówcę i znacznik czasu razem z treścią wypowiedzi [1]. Dla zespołów, które robią notatki ze spotkań albo analizują rozmowy, to mniej pracy przy czyszczeniu danych wejściowych. Nie oznacza to jednak, że wynik jest gotowy bez weryfikacji — model pozostaje narzędziem statystycznym, a nie transkrybentem z odpowiedzialnością redakcyjną.

Hotwordy mają osobne znaczenie w praktyce. Lista nazwisk, produktów i skrótów pozwala wskazać modelowi słownictwo, którego nie da się wyprowadzić z samego dźwięku [1]. W polskich nagraniach to często nazwy firm, ulic i stanowisk, które inaczej wracają z transkrypcji w przekręconej formie.

Czego VibeVoice-ASR nie robi i gdzie leży ryzyko?

Najpierw granica rodziny: TTS to inny komponent niż ASR. VibeVoice-TTS generuje mowę z tekstu — do 90 minut i maksymalnie czterech mówców [5] — a VibeVoice-ASR zamienia mowę na tekst [1]. Mieszanie tych dwóch zastosowań prowadzi do błędnych oczekiwań wobec modelu.

Historia TTS jest tu istotna. 5 września 2025 roku Microsoft poinformował, że usunął kod VibeVoice-TTS po wykryciu użycia niezgodnego z deklarowanym przeznaczeniem. Obecne repozytorium oznacza TTS jako wyłączone, choć rodzina nadal zawiera komponenty ASR i Realtime TTS [2][6].

Drugie ryzyko dotyczy statusu modeli. Microsoft przedstawia je jako badawcze, a nie automatycznie gotowe do zastosowań produkcyjnych [2][10]. To ważne przy wdrożeniach, w których transkrypcja trafia do dokumentacji albo do systemu rozliczeniowego.

Trzecie ograniczenie to jakość między językami. Opisy społecznościowe wskazują na nierówną jakość rozpoznawania w zależności od języka i materiału [10]. W pakiecie źródeł nie ma niezależnego pomiaru skuteczności dla polskiego, więc deklaracji o przewadze nad Whisperem w tym języku nie da się tu potwierdzić.

Czy licencja MIT wystarcza, by wdrożyć model w firmie?

Licencja MIT daje szerokie pole manewru, ale nie znosi obowiązku sprawdzenia warunków w repozytorium. Rodzina VibeVoice jest oznaczona licencją MIT [2], więc kod można czytać, modyfikować i uruchamiać we własnej infrastrukturze.

W praktyce wdrożenie oznacza jednak więcej niż samą licencję: trzeba wskazać wersję modelu, udokumentować pochodzenie wag i ustalić, kto odpowiada za jakość transkrypcji. Model badawczy zmienia się częściej niż produkt komercyjny, a repozytorium było już raz przedmiotem decyzji Microsoftu o usunięciu części kodu [2].

Czy VibeVoice-ASR sprawdzi się w polskim wdrożeniu?

Nie ma na to potwierdzenia w dostępnych źródłach. Pakiet zawiera opisy techniczne modelu i dyskusje społeczności, ale nie zawiera polskich testów porównawczych [1][10].

Rozsądne podejście to własna próba na reprezentatywnym materiale: nagrania z szumem, kilka mówców, nazwy własne i terminy branżowe. Dopiero taki test pokazuje, czy hotwordy i diarizacja wystarczają w konkretnym zastosowaniu. Podobną zasadę stosujemy przy narzędziach analitycznych — najpierw własne dane, potem deklaracje producenta, co widać w tekście o Codexie w analizie danych.

Co dalej z VibeVoice?

VibeVoice-ASR trafił do biblioteki Hugging Face Transformers 6 marca 2026 roku i został udostępniony w Microsoft Foundry [2]. To ułatwia uruchomienie modelu w istniejącym stosie Pythona i w usługach chmurowych Microsoftu.

Poza oficjalnym repozytorium istnieje fork społecznościowy utworzony 4 września 2025 roku, który ma około 1,6 tys. gwiazdek [7]. Warto odróżnić go od repozytorium Microsoftu, bo oba krążą pod podobną nazwą, a ich zawartość i aktywność nie są tożsame.

Najczęstsze pytania

Czy VibeVoice-ASR to to samo co VibeVoice-TTS?

Nie. VibeVoice-ASR zamienia mowę na tekst i zwraca mówców oraz znaczniki czasu [1]. VibeVoice-TTS działa w drugą stronę: generuje mowę z tekstu, do 90 minut i dla maksymalnie czterech mówców [5]. To dwa różne komponenty jednej rodziny modeli.

Czy VibeVoice-ASR zastąpi Whispera?

Nie w każdym zastosowaniu. VibeVoice-ASR ma przewagę przy długim audio i natywnej diarizacji [1], a Whisper pozostaje modelem o prostszym, dobrze opisanym podziale na okna 30 sekund [4]. Wybór zależy od języka, sprzętu i tego, czy diarizacja jest potrzebna.

Ile audio przetworzy VibeVoice-ASR w jednym przebiegu?

Do 60 minut ciągłego nagrania w jednym przebiegu, z kontekstem do 64 tys. tokenów [1]. Dłuższy materiał trzeba dzielić, a sposób podziału wpływa na to, czy mówca nie zostanie zgubiony na granicy fragmentów.

Czy VibeVoice-ASR obsługuje język polski?

Model jest opisany jako wielojęzyczny w materiałach Microsoftu, ale w pakiecie źródeł nie ma niezależnego pomiaru jakości dla polskiego [1][10]. Przed wdrożeniem trzeba sprawdzić wynik na własnych nagraniach, a nie opierać się na ogólnych deklaracjach.

Czy modele VibeVoice są darmowe?

Kod i wagi są publicznie dostępne, a repozytorium rodziny ma licencję MIT [2]. To nie to samo co darmowy koszt eksploatacji: uruchomienie modelu o skali około 9 mld parametrów wymaga własnego sprzętu albo płatnej infrastruktury chmurowej [8].

Źródła

  1. Introducing VibeVoice ASR: Longform, Structured Speech Recognition At Scale (Microsoft Tech Community, 2026)
  2. GitHub - microsoft/VibeVoice: Open-Source Frontier Voice AI (GitHub, 2026)
  3. Introducing Whisper (OpenAI, 2022)
  4. GitHub - openai/whisper: Robust Speech Recognition via Large-Scale Weak Supervision (GitHub, 2022)
  5. VibeVoice: A Frontier Open-Source Text-to-Speech Model (Microsoft, 2026)
  6. VibeVoice/docs/vibevoice-tts.md at main (GitHub, 2026)
  7. GitHub - vibevoice-community/VibeVoice (Community fork) (GitHub, 2025)
  8. VibeVoice-ASR-Streaming-7B vs Whisper Large v3 Turbo (OrcaRouter, 2026)
  9. whisper/model-card.md at main (GitHub, 2026)
  10. VibeVoice: Microsoft's Open Speech Models for Long Audio (MrTechKing, 2026)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji