VibeVoice-ASR-Streaming-1.5B、解説：MicrosoftのストリーミングASRはローンチなしで登場した

2026年9月2日、マイクロソフト・リサーチは、プレスリリースもブログ記事も特別な告知もなく、2つの新しい音声認識チェックポイントをHugging Faceにアップロードしました。microsoft/VibeVoice-ASR-Streaming-1.5Bと、そのより大きな兄弟モデルであるmicrosoft/VibeVoice-ASR-Streaming-7B。これまでのところ唯一の発表は、マイクロソフトのオープンソースVibeVoice GitHubリポジトリのNewsセクションにある2026年9月3日付のニュースエントリのみで、そこではこのリリースが、音声がまだ届いている間に誰が何を言ったかを文字起こしする統合型ストリーミングASRモデルであり、カスタマイズされたホットワードと10言語に対応していると説明されています。両チェックポイントはMITライセンスで、公式のmicrosoft Hugging Faceアカウント上で互いに約5分以内に作成され、1日後に確認したところ、どちらもダウンロード数はゼロでした。どちらについても第三者による報道は見つかりませんでした。

そのため、これは異例のレビュー記事となっている。実在し、日付が特定できるリリース——9月2日付のHugging Face上のウェイト、9月3日付のリポジトリ内アナウンス——でありながら、広く世間にはまだ知られていないのだ。以下で判明していることはすべて、リポジトリを読むことで得られたものだ。設定ファイル、モデルカード、そしてMicrosoft自身のストリーミング用ドキュメントである。まだ確認されていないこと——精度、実際のレイテンシ、ストリーミング時の話者属性が実際の2者間通話で機能するかどうか——は、その旨明記してある。引用すべきベンチマークは存在しない。なぜならMicrosoftはまだテキスト形式でベンチマークを公開していないからだ。

唯一の発表はニュースラインです。

VibeVoiceは、Microsoft ResearchによるMITライセンスのオープンソース音声モデルのファミリーです。その中で最もよく知られているASRメンバーである、microsoft/VibeVoice-ASRは、2026年1月21日にリリースされました。一度に最大60分の音声を取り込み、話者・タイミング・内容を含む構造化された書き起こしを返すバッチモデルであり、その後Hugging Faceでのダウンロード数は約70万件に達しています。9月2日には同じ組織が、ストリーミング版の姉妹モデルであるmicrosoft/VibeVoice-ASR-Streaming-7Bとmicrosoft/VibeVoice-ASR-Streaming-1.5Bを公開しました。Hugging FaceのAPIは7Bを2026-09-02T15:46 UTC、1.5Bをその5分後の15:51 UTCとして記録しています。GitHubリポジトリのモデル表には、VibeVoice-ASR-Streamingが独立したエントリとして掲載され、ニュースセクションには9月3日付の発表が載っています。

1月モデルと比べて真に新しいのは、対話モデルです。ストリーミングチェックポイントは、ファイル全体の完了を待つのではなく、音声が到着すると同時に文字起こしを行います。それ以外の部分、つまり基盤となる音声トークンアーキテクチャ、話者属性付き出力、ホットワードメカニズムは、バッチ設計の延長線上にあり、リアルタイム利用に合わせてスケール調整と再指向がなされたものです。最初に言語仕様の違いに注目してください。バッチモデルは50以上の言語を宣伝していますが、ストリーミングカードは10言語を挙げるにとどまります。

このチェックポイントにおける「ストリーミング」の意味は？

マイクロソフトのストリーミングドキュメントはその意図を明確に説明しています。モデルは音声がまだ到着している間に文字起こしを行い、オーディオチャンクごとにテキストを出力するため、話者が話すと同時に文字起こしが表示されます。1.5Bリポジトリのpreprocessor_config.jsonは、そのリズムを具体的にしています。

• サンプルレートとトークンレート — 24 kHzのオーディオ入力を3,200倍に圧縮すると、約7.5 Hzの音声トークンストリーム（約133 msごとに1トークン）が得られます。

• チャンク — 22フレーム。7.5Hzでは、出力セグメントあたり約2.9秒の音声になります。

• 先読み — 4フレーム（約0.5秒）の将来のオーディオを使用して、現在のセグメントを確定します。

(リポジトリから計算は簡単です: 22 × 3,200 = 70,400 サンプル ≈ 24 kHz で約 2.93 秒、4 × 3,200 = 12,800 サンプル ≈ 約 0.53 秒。マイクロソフト自身のドキュメントによると、チェックポイントは常にトレーニング時のチャンクサイズで実行されるため、これらは推論時には調整できません。)

このことから、これは単語単位ではなくチャンク単位のストリーミングに分類されます。ライブ文字起こしは、トークンごとの部分結果としてではなく、約0.5秒の先読みを伴いながら、おおよそ3秒単位で増えていきます。これは会議や通話の文字起こしとしては妥当かつ一般的な設計ですが、1秒未満の部分結果を出力するシステムとはレイテンシ特性が異なります。したがって、「ストリーミング」をスペクトラムとして捉え、その上にライブ字幕製品を構築する前に、ご自身のレイテンシ予算に照らして評価してください。

内部を探る：Qwenスケールの音声LLM

1.5Bチェックポイントのconfig.jsonを読むと、すでにおなじみのVibeVoiceのレシピが、より小規模な形で確認できます。

デコーダはQwen2ファミリーの言語モデルであり、その次元は1.5B Qwen2.5クラスと完全に一致します。具体的には、28層、1,536個の隠れユニット、2個のキー・バリューヘッドを持つ12個のアテンションヘッド、65,536トークンのウィンドウを備えています。LLMにより、モデルはトランスクリプト全体にわたって話者とコンテンツの理解を保持できます。

音響トークナイザーと意味トークナイザー（8/5/5/4/2/2 のストライドを備えた深層畳み込みエンコーダー）は、24 kHz の音声を、デコーダーが読み取る約 7.5 Hz の音声トークンストリームに変換します。

生成側には拡散ヘッド（DDPM、デノイジングステップ20回、v予測）が配置されており、これはVibeVoiceラインの他の製品群と一貫性を持たせている。

• サイズの正直さ: チェックポイント自身のsafetensorsメタデータには、約30億パラメータ(重みはおよそ5.6GB)が記載されています。名称の「1.5B」は言語バックボーンの規模を示しており、デコーダーが1.5BクラスのQwenモデルである設定を素直に読めばそう解釈できます。残りの部分は音声トークナイザーと拡散ヘッドが占めています。設定内のアーキテクチャ文字列VibeVoiceForASRStreamingTrainingは、これが研究系ファミリーのチェックポイントであることを示しています。

誰が何を言ったのか、10言語で

モデルカードの見出しとなる機能は、ストリーミング話者属性付き文字起こしです。カードの箇条書きにあるとおり、これは「音声が届くたびに、誰が何を話したかを継続的に文字起こし」するものです。また、ドメイン用語向けのカスタマイズされたホットワードも宣伝されており、対応言語として中国語、英語、フランス語、ドイツ語、イタリア語、日本語、韓国語、ポルトガル語、ロシア語、スペイン語の10言語が挙げられています。

ホットワードは、バッチモデルが使用するのと同じコンテキストバイアス機構を通じて実装されています。Microsoftのコマンドラインデモでは、それらをコンテキスト情報として渡します。例えば `--context_info "Microsoft,VibeVoice"` のようにして、微調整なしで認識を名前や技術用語に偏らせます。カードには、ストリーミングモデルの言語自動検出やコードスイッチングについては何も記載されておらず、これはバッチモデルの主張と比較して別のギャップです。

一つ強調に値する注意点がある。ストリーミングのドキュメントページはチャンク単位の出力とホットワードに焦点を当てており、チャンク境界をまたいで話者属性がどのように維持されるかについては詳述していない。ストリーミング話者分離は本質的に難しい。話者は重なり合うものであり、チャンク境界こそ属性のずれが生じる箇所なのだ。「誰が何を言ったか」というカード上の枠組みは、実際の2話者によるライブ通話で試して確認されるまでは、ベンダーの主張に過ぎない。

その位置づけ：VibeVoiceファミリーと2026年のストリーミングASR分野

家族内では、リリースは以下のように位置づけられます。

• microsoft/VibeVoice-ASR（2026年1月21日）— バッチ処理のフラッグシップ：1回のパスで最大60分、50以上の言語、Who/When/What 出力、ホットワード、約70万ダウンロード。

• microsoft/VibeVoice-ASR-Streaming-7B および microsoft/VibeVoice-ASR-Streaming-1.5B（2026年9月2日）— 新しいストリーミング版。本記事の主題は1.5Bです。

• microsoft/VibeVoice-ASR-BitNet (2026年7月23日) — バッチモデル向けの量子化されたCPU指向エッジエンジン。

VibeVoice-1.5B TTSモデルとVibeVoice-Realtime-0.5BストリーミングTTSモデルは、同じファミリーの別々のメンバーであり、ASRラインの一部ではありません。

オープンウェイトのASR分野全体が年間を通してリアルタイム処理へと移行しつつあるため、新しいストリーミング対応モデルには直接的な比較対象が存在する。Qwen3-ASR（Alibaba、約1.7B）は、50以上の言語と方言をカバーするストリーミング・オフライン統合モデルである。NVIDIAのNemotron 3.5 ASRは、40言語に対応する0.6Bのストリーミングモデルで、ライセンスはMITではなくOpenMDWを採用している。IBMのGranite Speech 5.0 470M TurboCTCはApache-2.0であり、ベンダー報告のスループット数値が異例に高い。これらに対して、Microsoftのストリーミングモデルは次の3点で差別化を図る：MITライセンス、純粋な音響モデルではなく話者と内容の理解を担うLLMバックボーン、そして話者属性付きライブ文字起こしという枠組みである。残る課題は精度と実環境でのレイテンシーであり、いずれも第三者による検証数値はまだ出ていない。

まだ検証されていないもの

リポジトリを読むと設計はわかるが、それがどれほどうまく機能するかはわからない。具体的には：

• テキスト内に精度やレイテンシの数値はありません。モデルカードには結果の図が画像として添付されていますが、散文で数値のWER、RTF、またはレイテンシの表はなく、独立して引用できるものは何もありません。

• 第三者による評価はなし。アップロードから1日後のダウンロード数はゼロで、コミュニティのベンチマークもリーダーボードへの掲載もなく、私たちが見つけられた独立したテストも存在しない。

* サービングパスは、ソースからの研究用セットアップです。Microsoftのストリーミングドキュメントは、NVIDIA PyTorchコンテナ（nvcr.io/nvidia/pytorch、flash-attention推奨）内にあるVibeVoice GitHubリポジトリのクローンから実行されます。モデルカードにはTransformersパイプラインのスニペットも示されており、インストールの詳細はGitHubに委ねられています。現在リリースされているTransformersバージョンが、このチェックポイントでストリーミング推論をそのまま実行できるかどうかは、検証していません。

• 位置づけは研究第一です。Microsoftのリポジトリでは、VibeVoiceモデルは研究開発目的のものとして説明されています。重みはMITライセンスであり、その姿勢は「サポート対象の製品です」ではなく「ここに科学があります」というものです。独自の評価ゲートの予算は確保しておきましょう。

それを基盤として構築すべきでしょうか？

既にASRを自己ホスティングしているチームにとって、対象の音声が10言語セットに含まれ、かつMITライセンスのモデルによる話者属性付きライブ文字起こしが具体的に必要な場合、これは週末を使った評価に値します。NVIDIA GPU上で1.5Bモデルの重み約5.6GBとソースからのインストールを見込んでください。また、信頼する前に、自前の音声データで精度を測定する計画を立ててください。

現在、本番用の文字起こしパイプラインを提供しているチームにとって、慎重な対応は次の3つのいずれかを待つことです。マイクロソフトが、現時点では画像としてのみ存在する精度とレイテンシの数値を公開すること。独立したベンチマークが登場すること。あるいは、サポートされているランタイムを備えた維持管理済みのサービングパスが用意されること。また、約3秒ごとのチャンク送信も、「ストリーミング」という言葉から推測するのではなく、自社のレイテンシ要件と照らし合わせて検証すべき仕様です。

オプションを維持する安価な方法は、アプリケーションを単一の文字起こしエンジンに固定しないことだ。多くのモデルを一つのAPIで束ねるルーティング層があれば、VibeVoice-ASR-Streaming — あるいは次のオープンASR — が推論プロバイダーに登場したとき、既存モデルと同じトラフィックでA/Bテストするのは、再プラットフォーム化ではなく設定変更で済む。パススルールーターはプロバイダーの定価にマークアップを載せずに請求するため、その比較は低コストに保たれ、自動フェイルオーバーにより、実績の浅い新モデルがパイプラインの単一障害点になることを防げる。これは、登場したばかりのモデルを採用する際の一般的なパターンだ。本番環境を賭ける前に、まず実トラフィックでそのモデルが実力を示すようにするのである。

よくある質問

VibeVoice-ASR-Streaming-1.5Bは、Microsoftが実際にリリースしたものですか？

はい。そのチェックポイントは、microsoft 公式の Hugging Face アカウント上にあり、作成タイムスタンプは2026年9月2日です。microsoft/VibeVoice GitHub リポジトリも、モデルテーブルで VibeVoice-ASR-Streaming を参照し、2026年9月3日付けのニュース項目を掲載しています。異例なのは出自ではなく、沈黙です。すなわち、本稿執筆時点でプレスリリースもブログ記事も、第三者による報道も存在しません。

なぜ2つのサイズ、7Bと1.5Bなのか？

マイクロソフトは両方のチェックポイントを同じ1分以内にアップロードしたが、比較結果は公開していない。設定からすると、1.5Bは小さい方の端に当たり、1.5BクラスのQwen言語バックボーンにオーディオスタックを組み合わせたもので、約3Bパラメータ、重みは約5.6GBである。素直に読めば、高精度な7Bと、より安価で高速な1.5Bという位置づけだが、マイクロソフトはそう明言しておらず、そのトレードオフを裏付けるベンチマークもない。

これは以前のVibeVoice-ASRとどのように違いますか？

1月バッチモデルは、1回のパスで最大60分の音声を取り込み、50以上の言語を宣伝しています。ストリーミングチェックポイントは、音声が到着している間に文字起こしを行い、約0.5秒の先読みで約3秒のチャンク単位で文字起こしを出力し、モデルカードには10の言語が記載されています。両者は同じ音声トークンアーキテクチャ、話者属性付き出力のアイデア、ホットワード機構を共有しています。

現時点では、VibeVoice-ASR-Streaming-1.5Bはチェックポイントとニュース記事だけの存在です。セルフホストで、寛容なライセンスのストリーミングASRを評価したい場合は、リポジトリを読んでください。本番エンジンを選ぶなら、数値が出るまで待つべきです。興味深い信号は、Microsoftが自社の音声製品ラインを、一度に2つのサイズでリアルタイム対応へと進めていることです。しかも、その動きはひっそりと行われたため、1日経ってもダウンロードカウンターはゼロのままでした。