MOSS-Transcribe-Diarize-GGUF

MOSS-Transcribe-Diarize-GGUF

一次性把音频转成带时间戳和说话人标签的文字稿。这是一个 0.9B 模型的 GGUF 转换版，供 CrispASR 使用，适合想在自己电脑上生成会议或访谈文字稿的人。

由 cstr 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：这是 OpenMOSS-Team 的 MOSS-Transcribe-Diarize 的 GGUF 副本，由 cstr 为 CrispASR 程序准备。一个 0.9B 的模型同时完成语音识别、区分说话人和添加时间戳。你得到的文字稿里，每一行都带有时间范围和说话人标签。它支持英语和中文。

适合谁：需要带说话人标注的录音文字稿，并且更愿意在本地运行模型的人。

Industry | Who uses it | How they use it | Example
新闻 | 手里有采访录音的记者 | 对音频文件运行模型 | 得到一份标明每句话由谁说出的文字稿
商业 | 录制会议的团队 | 带着名称和术语列表转写会议文件 | 把产品名和团队名加入热词列表
研究 | 收集语音数据的研究者 | 把录音转成带时间戳的文字 | 生成字幕样式的输出，方便日后复查

如果你需要托管的转写服务，或者你的音频不是英语或中文，可以跳过它。

用在哪里：它是为命令行程序 CrispASR 打造的，文件可以在 Windows、macOS 或 Linux 上下载。

• CrispASR：加载 GGUF 文件的程序
• Windows、macOS 或 Linux：可以用 Python 获取文件的系统
• 终端：运行转写命令的地方

Use case | Who | What they get back
会议文字稿 | 团队 | 带时间和说话人标签的文字
访谈笔记 | 记者 | 可与音频对照检查的带标签文字稿
字幕文件 | 视频剪辑人员 | 来自录音的带时间文字

如何设置：你需要 Python 来下载文件，需要 CrispASR 来运行它们。

• 带 pip 的 Python
• 在你的电脑上安装 CrispASR
• 一个模型文件所需的磁盘空间，约 1.2 GB 到 1.7 GB

1. 安装 Hugging Face hub 库。
2. 下载模型文件。
3. 选一个文件大小，让 CrispASR 指向它。

pip install -U huggingface_hub
hf download cstr/MOSS-Transcribe-Diarize-GGUF

仓库里有三种大小的模型。

File type | Size | What it is
F16 | 1.7 GB | 全精度副本
Q8_0 | 1.4 GB | 8 位的较小副本
Q4_K | 1.2 GB | 4 位的最小副本，作者推荐这个

如何使用：用 moss-diarize 后端对音频文件运行 crispasr。第一条命令让程序自己挑选模型文件。

crispasr --backend moss-diarize -m auto -f audio.wav -osrt

如果想给它一份应当出现的词，比如人名或产品术语：

crispasr --backend moss-diarize \
  -m moss-transcribe-diarize-0.9b-q4_k.gguf \
  -f meeting.wav \
  --hotwords "MOSS,CrispASR" \
  -osrt

Tool | What it does
crispasr | 用 moss-diarize 后端运行转写
-m | 选择模型文件，或 auto
-f | 指定要转写的音频文件
--hotwords | 传入一份用逗号分隔、应当出现的词

示例：你让 CrispASR 处理名为 meeting.wav 的录音，并带上热词 MOSS 和 CrispASR。它返回一份文字稿，每一行都有起止时间和说话人标签，例如 Speaker 1 或 Speaker 2。

新手与专家：如果你刚接触这类模型，先录一小段有两个人声的音频，对它运行第一条命令。检查输出是否区分出两位说话人，时间是否与音频对得上。

如果你熟悉这个领域，模型卡描述的是一个带时间合并和适配器的 Whisper 式音频编码器，连接 Qwen3-0.6B 解码器。解码器在输出文字的同时写出时间戳和说话人标记。这个仓库只做格式转换和量化，没有重新训练。

音频文件进入 CrispASR
Whisper 式编码器读取音频
Qwen3 解码器写出标记
输出带时间和说话人标签的文字

注意事项：作者说明这只是格式转换，所以模型能做什么、不能做什么，由原模型决定。

• License: Apache 2.0，与基础模型相同
• Cost to run: 未提及
• Data it reaches: 你让它处理的音频文件
• Not for: 新的训练，因为这里没有做训练或微调。关于训练数据的问题请联系原作者

Hugging Face 上的数据（2026年11月13日）

• 参数量：909M
• Weights: about 454 MB at 4-bit (estimate)
• Formats: GGUF
• 最近 30 天下载：2,616
• 点赞：10
• 许可证：apache-2.0
• 语言：en, zh
• 基于：OpenMOSS-Team/MOSS-Transcribe-Diarize
• 标签：gguf, speech-recognition, speaker-diarization, timestamps, crispasr, multilingual

链接

• 模型：https://huggingface.co/cstr/MOSS-Transcribe-Diarize-GGUF
• 文件：https://huggingface.co/cstr/MOSS-Transcribe-Diarize-GGUF/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 cstr/MOSS-Transcribe-Diarize-GGUF

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。