让手机把一段播客脚本直接念成多人对话，难点不只是“能出声”，还要长时间记住不同人物的音色和轮次，同时不能撑爆内存。VibeVoice 1.5B正尝试把这种长篇、多说话人TTS（文字转语音）搬到iPhone本地运行。端侧推理意味着音频可留在设备上，也能少依赖云端。
据audio.cpp作者在Reddit发布帖自述，这个移动版约占2.2GB内存，生成速度最高为1.28倍实时；按生成吞吐量计算，即一分钟音频最快不到一分钟生成，但不代表声音能无延迟开始播放。作者还称，更长文本测试中的内存占用保持稳定。需要留意的是，公开演示约一分钟，生成过程经过加速播放，这些数字也尚未经过独立基准验证。截至发帖时，适配模型已上传，iOS示例源码、XCFramework（供iPhone或Mac应用接入的二进制库）和代码分支仍待发布。换句话说，手机端长语音生成已接近可用区间，但目前更像一次模型先行的实现展示。