MOSS-Transcribe-Diarize 0.9B

MOSS-Transcribe-Diarize 0.9B

一次处理就能转写多说话人的长录音，并加上时间戳和匿名说话人标签，支持 50 多种语言。适合把会议、电话、播客和讲座变成易读文字稿的团队。

由 hf-audio 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 是一个音频模型，能为多人参与的长录音写出谁在什么时候说了什么。它把转写和说话人标注放在一起完成，所以你不需要串联两个独立工具。这个版本是 hf-audio 托管的、可直接用于 Transformers 的版本。

适合谁：适合处理冗长而杂乱的录音、想要一份带时间戳和说话人标签的文字稿，又不想自己搭建流水线的人。

行业 | 谁在用 | 怎么用 | 例子
商务 | 经常开会和打电话的团队 | 把录音变成标出说话人的文字稿 | 一次团队电话的纪要
媒体 | 播客主和记者 | 转写采访并分开说话人 | 一场有两个声音的采访
教育 | 讲师和学生 | 从录制的讲座中得到带时间戳的文字 | 一场长讲座的文字稿
视频 | 字幕制作者 | 从视频生成带说话人标签的字幕 | 一段电影片段的字幕文件

如果你需要说话人的真实姓名，可以跳过，因为它给出的标签是匿名的。

用在哪里：

• 使用 transformers 库的 Python，用远程代码加载模型
• vLLM 或 SGLang，模型卡列出了这两种部署方式
• 模型卡里的字幕网页应用，界面支持简体中文和英文

用例 | 谁用 | 得到什么
会议文字稿 | 办公团队 | 带时间戳和说话人标签的文字
播客和采访笔记 | 制作人 | 分开每个声音的书面记录
字幕草稿 | 视频剪辑师 | 来自音频或视频文件的时间对齐文字
术语密集的录音 | 专业人士 | 对你以热词形式提供的领域词汇有更好的处理

如何设置：先准备好这些。

• 带 pip 的 Python
• transformers 库，因为仓库自带加载代码
• 放权重的空间：BF16 约 1.8 GB，4-bit 估计约 454 MB

1. 用 pip 安装 Hugging Face hub 库。
2. 用 hf 命令下载模型文件。
3. 用 transformers 库加载模型，允许它运行远程代码。
4. 按模型卡的快速开始章节使用 Python、部署服务或字幕应用。

pip install -U huggingface_hub
hf download hf-audio/MOSS-Transcribe-Diarize-HF

如何使用：给它一个音频或视频文件，它返回一份带时间戳、能分辨说话人的文字稿。说话人以 [S01] 和 [S02] 这样的标签出现。你还可以加入自己的指令和它应该预期的热词。

hf download hf-audio/MOSS-Transcribe-Diarize-HF

工具 | 作用
Transformers remote code | 在你允许远程代码时加载模型
vLLM and SGLang | 模型卡提到的部署方式
Subtitle web app | 用来制作字幕的网页界面
Hotword prompts | 让转写偏向你提供的术语

示例：给它一段团队会议的录音。你会得到一份文字稿，每一行都带有时间段和 [S01] 或 [S02] 这样的说话人标签，不用第二个工具就能看出谁说了什么。

新手与专家：如果你是新手，可以把它看作一个还能分辨不同声音的记录员。第一次可以先试一段两个人说话的短录音，看看说话人标签是什么样子。

如果你熟悉这个领域，这个模型把语音识别和说话人分离联合完成，而不是分成不同阶段。模型卡称它一次处理就能覆盖最长 90 分钟的录音，还能输出声学事件备注。它用 CER、cpCER 和 delta-cp 在 AISHELL-4、Alimeeting、Podcast 和 Movies 上评估。它还称在一项多语言语音挑战赛中获得第一名。

输入音频或视频文件
对整段录音只处理一遍
语音和说话人一起处理
加上时间戳和说话人标签
输出单一文字稿

注意事项：

• 语言：模型卡称支持 50 多种，记录里列出 en 和 zh
• 规模：909M 参数，Safetensors 格式
• 远程代码：仓库带有加载代码，在你允许远程代码时运行
• 标签：说话人是匿名标签，不是姓名

• License: Apache 2.0
• Cost to run: 未提及，来源没有列出 API 密钥、账号或付费服务
• Data it reaches: 你给它的音频或视频文件，在你自己的机器上处理，来源没有提到网络或账号访问
• Not for: 给说话人命名，因为模型卡只描述了匿名标签

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：759
• 点赞：5
• 许可证：apache-2.0
• 语言：en, zh
• 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/hf-audio/MOSS-Transcribe-Diarize-HF
• 文件：https://huggingface.co/hf-audio/MOSS-Transcribe-Diarize-HF/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 hf-audio/MOSS-Transcribe-Diarize-HF

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。