OpenMOSS 开源了一个 0.9B 参数的端到端模型，能一次搞定 90 分钟多人音频，告诉你谁说了什么、什么时候说的，单卡 4090 跑得飞快。
OpenMOSS 开源了 MOSS-Transcribe-Diarize-0.9B 模型，参数规模 0.9B，支持 128K 上下文，最长可一次处理约 90 分钟音频。该模型采用 Whisper-Medium 编码器 + Qwen3-0.6B 风格 decoder，端到端完成转写、说话人分离和时间对齐，无需级联流程。在单张 4090 显卡上，RTF 为 0.017，5-10 分钟录音约 30 秒转完，并支持热词增强。模型以 Apache 2.0 协议开源，可商用。
更多细节介绍 https://t.co/kWnheDCLu7
更多细节介绍 x.com/FeitengLi/stat… Feiteng @FeitengLi OpenMOSS 开源 MOSS-Transcribe-Diarize-0.9B，多人长音频转写一次搞定「说了什么、谁说的、何时说的」。 0.9B 参数，128K 上下文，最长约 90 分钟音频一次喂进去，不切片不拼接。 4090 单卡，RTF 0.017，5–10 分钟录音 30 秒转完。 架构是 Whisper-Medium 编码器 + Qwen3-0.6B 风格 decoder，端到端一个自回归任务全包，不走 ASR＋说话人分离＋时间对齐那套级联。 带热词增强，人名/术语/型号能预配。 Apache 2.0，能商用。 模型 🤗 huggingface.co/OpenMOSS-Team/… H 代码 github.com/OpenMOSS/MOSS-… X 🔗 View Quoted Tweet 💬 0 🔄 0 ❤️ 0 👀 2176 📊 1 ⚡