开源语音模型可检索174小时阿波罗音频
vanstriendaniel · x · 2026-07-11
帖子介绍了 MOSS-Transcribe-Diarize：一个 0.9B 参数、Apache 2.0 许可的开源模型，能够在一次推理中同时完成 转写、说话人分离（diarization）和时间戳标注。
实际案例
作者用它把 174 小时 的阿波罗 11 号任务音频做成可检索资料，最终得到：
- 按“谁在什么时间说了什么”整理的搜索结果
- 总计 45,355 个带时间戳的说话片段
- 处理成本 $9.46
性能与部署
音频来自 internet archive，整批数据通过一个 Hugging Face Job 处理：
- 运行环境：a100-large
- 总耗时：3.8 小时
- 吞吐：47x realtime
- 模型由 sglang 在 Job 内部服务
原帖还补充了实现层面的说明：他们在 sglang-omni 的每次提交里都会做短序列和长序列、多说话人测试，强调性能和正确性都被持续回归测试；同时解释了为什么选择 server-based serving，而不是进程内引擎——因为服务器端更容易获得连续 batching 带来的吞吐收益。
所属事件:Open_MOSS开源语音模型可检索阿波罗录音(2 条相关)→
「多模态」频道最新
- 3D ResNet 论文八年突破 3000 引用，Kinetics 数据集成里程碑 — HirokatuKataoka · 2026-09-11
- 零编程经验者用 ChatGPT 开发 ComfyUI 安卓客户端将上架 — ComfierUI · 2026-09-11
- FastH3-Live 升至 22fps：加速节点实测与 ComfyUI 显存避坑 — spartong945 · 2026-09-11
- Midjourney 风格参考分享:--sref 2912175708 — tisch_eins · 2026-09-11
- Astra 分镜+Minimax H3 分镜逐帧生成，视频创作成功率大增 — Hailuo_AI · 2026-09-11
- Hailuo 转推：MiniMax H3 MAX 一发生成 15 秒美食动画短片 — Hailuo_AI · 2026-09-11