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。