MOSS-Transcribe-Diarize

MOSS-Transcribe-Diarize 0.9B to kompleksowy model rozumienia audio dla długich transkrypcji wielomówców, diaryzacji, znaczników czasu i świadomości zdarzeń akustycznych. Obsługuje transkrypcję i diaryzację w ponad 50 językach, inferencję w jednym przebiegu dla nagrań audio o długości do 90 minut oraz niestandardowe podpowiadanie hotwordów dla terminów specyficznych dla domeny. Mając plik audio lub wideo, model generuje w jednym przebiegu zwarty transkrypt z uwzględnieniem mówcy, zawierający znaczniki czasu i anonimowe etykiety mówców, takie jak [S01], [S02] i inne. 2026-07-14: ? MOSS-Transcribe-Diarize zdobył pierwsze miejsce w 2. MLC-SLM Challenge na INTERSPEECH 2026, obejmującym 14 języków. 2026-07-09: Wydano MOSS-Transcribe-Diarize 0.9B.

• Wprowadzenie – Architektura modelu – Ocena – Szybki start – Konfiguracja środowiska – Użycie w Pythonie – Obsługa z vLLM i SGLang – Aplikacja internetowa napisów – Format wyjściowy – Więcej informacji – Licencja – Cytowanie MOSS-Transcribe-Diarize 0.9B przekształca rzeczywiste długie audio w ustrukturyzowane transkrypty z uwzględnieniem mówcy w jednym przebiegu. Zamiast łączyć oddzielne systemy ASR i diaryzacji, wspólnie wykonuje transkrypcję mowy i diaryzację mówców, tworząc tekst z wyrównaniem czasowym i spójnymi etykietami mówców. Model jest przeznaczony do spotkań, rozmów, podcastów, wywiadów, wykładów, filmów i innych długich lub chaotycznych nagrań wielomówców. Może również emitować adnotacje zdarzeń akustycznych, dając systemom downstream bogatszy obraz tego, co się wydarzyło, kto mówił i kiedy. Transkrypcja długich form: Konwertuje długie nagrania audio lub wideo na tekst z oznaczeniem czasu. Diaryzacja z uwzględnieniem mówcy: Przypisuje anonimowe etykiety mówców, takie jak [S01] i [S02], bez osobnego potoku diaryzacji. * Generowanie z podpowiedziami: Obsługuje niestandardowe instrukcje transkrypcji, hotwordy i adnotacje zdarzeń akustycznych.