MOSS-Transcribe-Diarize
OpenMOSS 的 0.9B、Apache 2.0 模型,能把最长 90 分钟的多人音频转成带说话人标签和时间戳的一份转写稿。
一句话概括. MOSS-Transcribe-Diarize 听一场长会议、一通电话或一期播客,一次就写下谁在什么时候说了什么。它用 S01、S02 这样的标签区分说话人,可以传入一组需要写对的专有词,小到一块 GPU 就能运行。
概述
MOSS-Transcribe-Diarize 0.9B 是一个端到端模型,能把一段很长的多人录音转成一份带说话人标签和时间戳的转写稿,而不是把语音识别器和另一个说话人分离系统串起来。按它的模型卡,它一次能处理最长 90 分钟的录音,支持 50 多种语言的转写和说话人区分,可以在提示词里加入热词,还能标注声学事件。输出是 [开始时间][S01]语音内容[结束时间] 形式的纯文本,说话人标签是匿名的,只在这一段录音内有意义。配置文件显示它由一个 Whisper 风格的音频编码器接上一个 Qwen3 风格的 28 层文本解码器,位置数为 131072,总共约 0.91B 参数。技术报告把 128K 窗口与 90 分钟的上限联系在一起。
在模型卡的测试中,拼接最小排列字符错误率(cpCER,越低越好)在 AISHELL-4 会议上是 15.83%,在 Alimeeting 上是 22.17%,在一个播客测试集上是 7.37%,在电影片段上是 12.76%。VibeVoice-ASR 在同样四个测试集上分别是 24.99%、29.33%、48.30% 和 42.54%,表中最好的商业系统分别是 27.43%(Gemini 3 Pro)、32.84%(Gemini 3 Pro)、10.23%(Gemini 2.5 Pro)和 14.73%(Gemini 3 Pro)。这些测试集都是中文,数字来自开发方自己,表里还列了一个更强的 MOSS Transcribe Diarize Pro,这个仓库里并没有它。模型卡还称该模型在 INTERSPEECH 2026 的第二届 MLC-SLM 挑战赛(涵盖 14 种语言)中获得第一名,但没有给出其余 50 多种语言的分语言得分。
许可证是 Apache 2.0,BF16 权重 1.82 GB。仓库需要自定义的 Transformers 代码,用 trust_remote_code 加载,模型卡推荐通过 SGLang Omni 提供服务,在 CUDA 12 上则用固定版本的 vLLM nightly,提供 OpenAI 风格的转写接口。GitHub 软件包还带一个本地字幕应用,可以导出 JSON、SRT 和 ASS 文件,并能用 FFmpeg 把字幕烧录进视频。模型卡把发布日期标为 2026 年 7 月 9 日。截至 2026 年 11 月 11 日的 30 天内,Hugging Face 统计约有 12.8 万次下载。
适合做什么
- 会议、访谈、电话和播客,需要一个模型就给出谁在什么时候说话,而不用另搭说话人分离流程
- 最长 90 分钟的录音,并可用热词纠正人名和专业术语
- 为视频制作字幕,因为工具包能导出 SRT 和 ASS 文件,还能烧录进视频
需要注意
- S01 这样的说话人标签只在一段录音内有效,不代表真实身份,要跨录音匹配声音需要另一套系统
- 已报告的分数来自开发方,用的是中文测试集,还包含一个不在此仓库中的更强 Pro 模型,模型卡也没有给出 50 多种语言的分语言表格
- 它需要用 trust_remote_code 加载自定义代码和 CUDA 环境,SGLang 不支持 CUDA 12,所以模型卡指向固定版本的 vLLM nightly,也没有写明最低显存
- 长录音会产生很长的输出,模型卡为此把 max_new_tokens 调到 65536,上限设得太低会让转写稿被截断
性能数据来自开发方,未经独立验证。
需要多少内存?
以下是 MOSS-Transcribe-Diarize 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。
| 版本 | 参数量 | 下载大小 | 所需内存 | 可运行于 |
|---|---|---|---|---|
| MOSS-Transcribe-Diarize 0.9B BF16 | 910M | 1.82 GB | 2.09 GB | 笔记本或手机 |
下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。
许可证,用大白话说
最常见的宽松型许可证之一。你可以使用、修改模型并基于它销售产品,只需遵守少量条件。
延伸阅读
常见问题
- MOSS-Transcribe-Diarize 是什么?
- MOSS-Transcribe-Diarize 听一场长会议、一通电话或一期播客,一次就写下谁在什么时候说了什么。它用 S01、S02 这样的标签区分说话人,可以传入一组需要写对的专有词,小到一块 GPU 就能运行。
- MOSS-Transcribe-Diarize 可以商用吗?
- 可以。MOSS-Transcribe-Diarize 采用 Apache 2.0 发布,这是一种宽松许可证。只要遵守常规条件(例如保留许可证声明),就可以商用。
- MOSS-Transcribe-Diarize 是开源的吗?
- MOSS-Transcribe-Diarize 采用 Apache 2.0 发布,该许可证经开源促进会(OSI)认可。训练数据和训练代码不一定公开,因此更准确的说法是“采用开源许可证的开放权重模型”。
- 我能在自己的电脑上运行 MOSS-Transcribe-Diarize 吗?
- 可以。最小版本 MOSS-Transcribe-Diarize 0.9B 在 4 位精度下约需 2.09 GB 内存,现代笔记本或中端显卡即可胜任。
- MOSS-Transcribe-Diarize 是什么时候发布的?
- MOSS-Transcribe-Diarize 由 OpenMOSS 于 2026年7月9日 发布。
- MOSS-Transcribe-Diarize 的上下文窗口有多长?
- MOSS-Transcribe-Diarize 支持最长 128K token 的上下文窗口。
官方链接
来源
规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。
- MOSS-Transcribe-Diarize 0.9B model card (Hugging Face) huggingface.co
- MOSS-Transcribe-Diarize repository (GitHub) github.com
- MOSS Transcribe Diarize Technical Report (arXiv 2601.01554) arxiv.org
发布时间等信息最近核实于 2026年11月11日。
相关模型
| 模型 | 发布时间 | 参数量 | 上下文 | 许可证 | 最小版本所需内存 |
|---|---|---|---|---|---|
| VibeVoice-ASR Microsoft | 2.81B – 8.67B | 64K | MIT (宽松) | 6.47 GB 笔记本或手机 | |
| Qwen3-ASR Alibaba Qwen | 918M – 2.35B | – | Apache 2.0 (宽松) | 2.12 GB 笔记本或手机 | |
| Nemotron 3.5 Transcribe NVIDIA | 34B 激活 4.3B | 64K | OpenMDW-1.1 (宽松) | 25 GB 游戏显卡 | |
| Cohere Transcribe Cohere | 2.07B | – | Apache 2.0 (宽松) | 4.75 GB 笔记本或手机 |