MOSS-Transcribe-Diarize

MOSS-Transcribe-Diarize

一次性把多位说话人的长录音变成带时间戳、带匿名说话人标签的转写稿，适合在 50 多种语言里转写会议、通话、播客和访谈的团队。

由 OpenMOSS-Team 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：MOSS-Transcribe-Diarize 0.9B 在同一次处理中转写长录音，并标出谁在说话。你不需要另外的说话人检测工具。它返回带时间戳和匿名说话人标签的文字，能处理最长 90 分钟的录音，支持 50 多种语言。

适合谁：如果你的团队要把冗长、杂乱的多人音频变成可读的转写稿，或者你想把这个能力加进自己的工具，它适合你。

Title: Who uses this model
行业 | 谁在用 | 怎么用 | 例子
商业 | 运营和行政团队 | 转写会议和通话 | 得到一场团队通话的转写稿，每位说话人都有标签
媒体 | 播客和视频制作人 | 制作字幕和节目笔记 | 把一次访谈变成带时间戳的文字
教育 | 学校和培训人员 | 转写讲座 | 把一段讲座录音变成可搜索的文字
软件 | 开发者 | 给应用加入识别说话人的转写 | 输入一段录音，读回带标签的发言

如果你的录音只有一个说话人，也不需要时间戳或说话人标签，更简单的转写模型就够了。

用在哪里：

• 使用 transformers 库的 Python 脚本
• vLLM 或 SGLang，模型卡把它们列为部署模型的方式
• 项目自带的字幕网页应用
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

Title: Jobs it does
用途 | 适合谁 | 得到什么
会议转写稿 | 办公团队 | 带时间戳、每位说话人都有标签的文字
字幕 | 视频团队 | 与时间对齐、可用于字幕的文字
术语密集的音频 | 专业团队 | 通过热词提示更好地处理领域术语
声音事件笔记 | 分析人员 | 对音频里非语音声音的标注

如何设置：你需要 Python 和约 1.8 GB 的磁盘空间放 BF16 权重，按 Hugging Face 的估算，4 位副本约 454 MB。

• 带 pip 的 Python
• transformers 库
• huggingface_hub 包

1. 用两条 Hugging Face 命令下载文件。
2. 用 transformers 加载模型。仓库带有自定义代码，所以加载时需要打开 trust_remote_code。
3. 环境搭建、部署或字幕应用，请按模型卡的快速开始部分操作。

pip install -U huggingface_hub
hf download OpenMOSS-Team/MOSS-Transcribe-Diarize

如何使用：给模型一个音频或视频文件，它一次性返回一份紧凑的转写稿。每一段发言都带时间戳和说话人标签，比如 S01 或 S02。你还可以加上自己的指令，以及一份热词列表，列出它可能漏掉的名字或术语。

示例：你传入一场 60 分钟的团队会议，并把两个产品名加为热词。转写稿带着时间戳返回，每段发言标给 S01、S02 或其他说话人，产品名按你列出的写法拼写。

新手与专家：你可以把它看作一个既记下说了什么、也记下谁说的记录员。第一次小测试就是用一段简短的双人录音。标签是匿名的，所以你要自己把它们对应到真实姓名。

这个模型用一个同时完成两件事的模型，取代了分开的语音识别和说话人分离系统组成的流水线。它用字符错误率、串联最小排列字符错误率，以及两者之差来评分，三者都是越低越好。模型卡说它在 INTERSPEECH 2026 的第二届 MLC-SLM 挑战赛上获得第一名。

输入音频或视频文件
一个模型转写并跟踪说话人
加上时间戳和说话人标签
输出识别说话人的转写稿

注意事项：模型卡列出了一个支持简体中文和英文的字幕网页应用。其他人发布了 16 个量化版本和 34 个微调版本。说话人标签是匿名的，不会写出任何人的名字。

• License: Apache 2.0。
• Cost to run: 未提及。
• Data it reaches: 文件来自 Hugging Face，你转写的音频留在你运行模型的那台机器上。
• Not for: 给说话人署名，因为标签是匿名的。

Hugging Face 上的数据（2026年11月13日）

• 任务：audio text to text
• 框架：transformers
• 参数量：909M
• Weights: about 1.8 GB in BF16; about 454 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：121,031
• 点赞：520
• 许可证：apache-2.0
• 语言：en, zh
• Quantized versions: 16
• Fine-tunes: 34
• 标签：transformers, safetensors, moss_transcribe_diarize, text2text-generation, moss, audio, speech, diarization, timestamp-asr, long-form-audio, multimodal, multilingual

链接

• 模型：https://huggingface.co/OpenMOSS-Team/MOSS-Transcribe-Diarize
• 文件：https://huggingface.co/OpenMOSS-Team/MOSS-Transcribe-Diarize/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download OpenMOSS-Team/MOSS-Transcribe-Diarize

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。