宝玉给 BaoCut 集成了 MOSS-Transcribe-Diarize-0.9B，能一次搞定长音频转写和说话人标注，省去额外模型，适合做字幕或会议记录。
宝玉将 OpenMOSS 开源的 MOSS-Transcribe-Diarize-0.9B 集成到剪映工具 BaoCut 中，可直接输出带精确时间戳和说话人标注的结构化转写结果。该模型无需专用发言人识别模型，但转录速度比 Qwen3-ASR-0.6B 慢，且不支持标点符号，自定义 Prompt 与热词也未生效。项目地址为 github.com/OpenMOSS/MOSS-Transcribe-Diarize。
今天给 BaoCut 集成了 OpenMOSS 开源的 MOSS-Transcribe-Diarize-0.9B，能够一次性将长音频转换为结构化、带说话人标注的转写结果。 它有点好就是不需要专门的发...
今天给 BaoCut 集成了 OpenMOSS 开源的 MOSS-Transcribe-Diarize-0.9B，能够一次性将长音频转换为结构化、带说话人标注的转写结果。 它有点好就是不需要专门的发言人识别模型，直接输出带精确时间戳、发言人的时间对齐文本。 转录速度比 qwen3-asr-0.6b 要慢些，不支持标点符号，似乎自定义 Prompt 与热词没有起作用。 项目地址： github.com/OpenMOSS/MOSS-… 宝玉 @dotey 最早我做字幕翻译的时候，语音转文字是用的 Whisper，但是 Whisper 有几个问题： 一个问题是时间戳不准，时间戳不准拆分的就是就可能字幕和语音对不上，很影响效果，需要人工去从头到尾校对一遍 一个问题是中英文混排支持不好，中文其实支持也不算太好，所以中文的转录就效果很差 一个问题是不直接支持识别发言人 虽然这些问题都可以通过收费的云端模型来解决，但是成本相对高一些。 最近测试了 Qwen3 ASR，效果是真的很不错，配合 Qwen3-ForcedAligner 模型，可以识别后把词级时间戳对的很精准。0.6b 就足够了，本地运行资源占用也不高。 github.com/QwenLM/Qwen3-A… 发言人识别也有开源的模型：Pyannote + WeSpeaker。不过这个发言人一多尤其是一起说话识别的不够准，但配合 Agent 结合上下文就能做到相对比较准了。 如果真的要求高，也可以走云端模型，比如火山引擎上的豆包录音文件识别模型 2.0 就质量挺好，速度也快，就是要额外花钱。 🔗 View Quoted Tweet 💬 8 🔄 2 ❤️ 23 👀 4811 📊 10 ⚡