开源多人长音频转写模型
dotey · x · 2026-07-19
OpenMOSS 发布了 **MOSS-Transcribe-Diarize-0.9B**，主打多人长音频转写与说话人分离，目标是一遍完成“说了什么、谁说的、何时说的”。 要点包括： - **0.9B 参数**，**128K 上下文**，最长可一次处理约 **90 分钟音频**，无需切片拼接； - 在 **4090 单卡**上，**RTF 0.017**，5–10 分钟录音约 **30 秒**转完； - 架构上采用 **Whisper-Medium 编码器 + Qwen3-0.6B 风格 decoder**，把 ASR、说话人分离和时间对齐整合成端到端自回归任务； - 支持 **热词增强**，并以 **Apache 2.0** 开源，可商用。 帖子同时给出了模型和代码链接。