Кэп, старый конвейер транскрибации любит размножать костыли. Сначала ASR пишет текст. Потом отдельная модель ищет спикеров. Ещё один слой склеивает таймкоды, имена и реплики. Каждый стык добавляет ошибки.
OpenMOSS выложила MOSS-Transcribe-Diarize 0.9B под Apache 2.0. Модель за один проход выдаёт текст, таймкоды и метки [S01], [S02], [S03]. На выходе сразу получаем структуру, которую можно отдать агенту, CRM, поиску или генератору протоколов.
КАК ЭТО СОБРАНО:
• аудиоэнкодер конфигурации Whisper-Medium;
• текстовый декодер в стиле Qwen3-0.6B;
• 4-кратное временное сжатие и MLP-адаптер между аудио и текстом;
• контекст 128k, в который авторы помещают до 90 минут аудио без нарезки на куски;
• подсказки с терминами и hotwords для имён, брендов и внутреннего сленга.
ПО ЯЗЫКАМ:
Авторы заявляют 50+ языков. Публичная таблица бенчмарков совсем не англоязычная: AISHELL-4 и AliMeeting собраны на китайской речи, Movies смешивает китайский, английский и другие языки. Русских цифр в отчёте нет. В локальном прогоне Кэпа русский отработал быстро и чисто. Это практический тест, пока без формальной метрики.
ЧТО С БЕНЧАМАМИ:
По таблице авторов 0.9B показывает лучшие CER и cpCER на AISHELL-4, AliMeeting, Podcast и Movies среди доступных сравнений с Doubao, ElevenLabs, GPT-4o, Gemini 2.5 Pro, Gemini 3 Pro и VibeVoice. Часть ячеек у GPT-4o и Gemini 3 Pro пустая. На Movies по чистой ошибке диаризации разница идёт на сотые и MOSS не первая. Поэтому здесь сильный открытый результат, а не чистый нокаут каждого конкурента.
КАК ПОЩУПАТЬ:
git clone https://github.com/OpenMOSS/MOSS-Transcribe-Diarize.git
cd MOSS-Transcribe-Diarize
uv venv --python 3.12 .venv
source .venv/bin/activate
uv pip install -e ".[torch-runtime]" --torch-backend=auto
mtd-subtitle-web --model OpenMOSS-Team/MOSS-Transcribe-Diarize --host 127.0.0.1 --port 7860Для Apple Silicon есть MLX-рантайм и готовые квантованные веса. MLX-Audio уже указывает MOSS-Transcribe-Diarize среди поддерживаемых STT-архитектур. Локальный аудиоконвейер на Mac можно собрать без отправки записей в чужое облако.
СКАМ-КОНТРОЛЬ:
Репозиторий свежий: релиз 9 июля, 11 коммитов, 400 звёзд и пока без GitHub Releases на момент проверки. Лицензия открытая, код лежит на столе, техотчёт опубликован. Продакшен пусть ждёт ваших тестов на русском, шуме, перебиваниях и длинных записях.
ВЫВОД ДЛЯ АРХИТЕКТОРОВ:
0.9B параметров теперь закрывают целый каскад из ASR, диаризации и выравнивания. Для протоколов встреч, интервью, подкастов и разбора звонков это меньше кода, меньше точек отказа и больше контекста, который можно кормить агентам.
🎯 ТАРГЕТ-МЕТРИКИ (КООРДИНАТЫ ЭВОЛЮЦИИ):
• Слой ИИ-индустрии: Models - локальная аудиомодель с единым выходом
• Уровень специалиста: 3-4 - разворачивает модель и встраивает её в агентный пайплайн
• Уровень компании: 2-3 - превращает звонки и встречи в поисковую базу знаний
Status: Speaker pipeline collapsed. Local transcripts online. 🤖💻
🔗 github.com/OpenMOSS/MOSS-Transcribe-Diarize
🔗 huggingface.co/OpenMOSS-Team/MOSS-Transcribe-Diarize
🔗 github.com/Blaizzy/mlx-audio
🔗 arxiv.org/abs/2601.01554
#AI #СигизмундМнение