Was ist MOSS-Transcribe-Diarize 0.9B?
MOSS-Transcribe-Diarize ist ein offenes Speech-to-Text-Modell des Teams OpenMOSS, am 9. Juli 2026 unter Apache 2.0 als Open Source veröffentlicht. Statt Whisper mit einem separaten Diarisierungsmodell wie pyannote zu verketten, gibt es einen einzigen Strom aus Text mit Zeitstempeln und Sprecherlabels in der Form [start][S01]text[end] aus, optional mit Tags für akustische Ereignisse und eigenen Hotwords.
Es kombiniert einen Audio-Encoder im Stil von Whisper-Medium mit einem Decoder im Stil von Qwen3-0.6B, insgesamt etwa 900 Millionen Parameter. Die Model Card verspricht mehr als 50 Sprachen ohne Spracheinstellung und Inferenz in einem Durchgang für Aufnahmen bis 90 Minuten. Ein größeres MOSS-Transcribe-Diarize Pro gibt es nur im Online-Playground von MOSI.
Das Team meldet den ersten Platz bei der 2. MLC-SLM Challenge auf der INTERSPEECH 2026, die 14 Sprachen umfasste. Die Gewichte haben etwa 170.000 Downloads.
Lohnt sich MOSS-Transcribe-Diarize 0.9B?
MOSS-Transcribe-Diarize erledigt in einem Modell mit 0,9B, wofür die meisten offenen Stacks zwei brauchen: wer gesprochen hat, wann und was. Für ein Team, das bisher Whisper mit pyannote verklebt und deren Zeitstempel abgeglichen hat, fällt damit eine ganze Klasse von Abgleichfehlern weg.
Die veröffentlichten Ergebnisse sind stark, aber eng. Auf dem Meeting-Datensatz AISHELL-4 meldet das Team eine sprecherbezogene Fehlerrate (cpCER) von 15,83, gegenüber 37,95 für ElevenLabs, 27,43 für Gemini 3 Pro und 24,99 für Microsofts VibeVoice ASR; auf dem eigenen Podcast-Datensatz liegt der Wert bei 7,37 gegenüber 11,34 für ElevenLabs. Das sind selbst gemeldete Zeichenfehlerraten, und AISHELL-4 und AliMeeting sind Meeting-Korpora auf Mandarin, sie sagen also wenig über englisches Call-Center-Audio.
Der Durchsatz auf einer H100 ist praxistauglich. Nach den Zahlen im SGLang-Omni-Cookbook laufen lange Aufnahmen mit etwa 51 Sekunden Audio pro Sekunde bei einer Anfrage und etwa 99 bei 16 parallelen, eine GPU schafft ein einstündiges Meeting unter Volllast also in deutlich unter einer Minute. Kurze Clips kommen in etwa 0,39 Sekunden zurück.
Die Ecken und Kanten liegen im Betrieb. Das Laden braucht trust_remote_code, die Unterstützung in vLLM erfordert einen festgelegten Nightly-Build, lange Dateien verlangen, max_new_tokens von 5.120 auf bis zu 65.536 anzuheben, und der Fallback auf Eager Attention läuft bei langen Aufnahmen aus dem Speicher.
Wo es sich lohnt
Ein Podcast-Netzwerk, das 200 Folgen im Monat veröffentlicht
Transkripte mit Sprecherlabels und Untertitel erstellen
Das Modell hinter vLLM auf einer GPU betreiben und ganze Folgen bis 90 Minuten einspeisen; die mitgelieferte Untertitel-Web-App exportiert Captions. Keine Gebühren pro Minute, anders als bei einer gehosteten Diarisierungs-API.
Ein ML Engineer bei einem Anbieter von Meeting-Software in Shanghai
Eine Pipeline aus Whisper und pyannote für Meetings auf Mandarin ersetzen
Ein einziger Modellaufruf liefert Segmente der Form [start][Sxx]text[end], was den Abgleich der Zeitstempel überflüssig macht; der cpCER von 15,83 auf AISHELL-4 ist die relevanteste veröffentlichte Zahl für diese Aufgabe.
Ein Legal-Tech-Startup, das Zeugenaussagen verarbeitet, die vor Ort bleiben müssen
Zweistündige Aufnahmen mit Sprecherwechseln transkribieren
Dateien über 90 Minuten müssen geteilt werden, und die Genauigkeit auf Englisch ist kaum dokumentiert, also vor einer Festlegung einen Pilotversuch gegen ein menschliches Transkript fahren.
Bevor du dich festlegst
- Einrichtung
- Klone das Repo, lege mit uv eine Umgebung mit Python 3.12 an und installiere mit dem Extra torch-runtime; lade mit Transformers und trust_remote_code=True. Optional beschleunigt flash-attn die Inferenz auf CUDA.
- Integrationen
- Transformers, SGLang Omni, vLLM (OpenAI-kompatibles /v1/audio/transcriptions) und das FunASR-Ökosystem; eine Anleitung zum Fine-Tuning und eine Untertitel-Web-App liegen bei.
- Daten und Datenschutz
- Gewichte unter Apache 2.0 ohne Umsatzgrenze; selbst gehostet bleibt Audio auf deiner Hardware. Der Pro-Playground ist ein Dienst von MOSI, dessen Aufbewahrungsbedingungen wir nicht finden konnten.
- Kosten im großen Maßstab
- Eine H100 schafft nach den Cookbook-Zahlen je nach Parallelität etwa 51 bis 99 Sekunden Langform-Audio pro Sekunde, ein Monat mit 10.000 Audiostunden braucht also rund 100 bis 200 H100-Stunden.
- Grenzen
- 90 Minuten pro Durchgang; das Standard-max_new_tokens von 5.120 schneidet lange Transkripte ab; Eager Attention läuft bei langem Audio aus dem Speicher; die Genauigkeit für Englisch und europäische Sprachen ist nicht im Detail veröffentlicht.
Was gut ist
- Transkription, Diarisierung und Zeitstempel in einem Durchgang
- Bis zu 90 Minuten pro Datei ohne Segmentierung
- Gewichte unter Apache 2.0 mit 0,9 Mrd. Parametern
- Läuft über die OpenAI-kompatible Transkriptions-API von vLLM
Was nicht
- Die Haupt-Benchmarks sind selbst gemeldet und überwiegend auf Mandarin
- Braucht trust_remote_code und einen festgelegten vLLM-Nightly
- Lange Dateien brauchen hohe Werte für max_new_tokens
- Das beste Modell (Pro) gibt es nur im Playground
Am besten für
Teams, die lange Aufnahmen mit mehreren Sprechern auf eigenen GPUs transkribieren, besonders auf Chinesisch, und Sprecherlabels ohne separates Diarisierungsmodell wollen.
Alternativen zu MOSS-Transcribe-Diarize 0.9B
MOSS-Transcribe-Diarize 0.9B: häufige Fragen
- Lohnt sich MOSS-Transcribe-Diarize 0.9B?
- MOSS-Transcribe-Diarize ersetzt eine Meeting-Pipeline aus zwei Modellen durch ein kleines, und seine Benchmark-Siege liegen überwiegend auf Mandarin. Wir bewerten es mit 3.9 von 5.
- Was kostet MOSS-Transcribe-Diarize 0.9B?
- Kostenlos unter Apache 2.0. Das größere Pro-Modell wird über MOSIs Online-Playground angeboten; API-Preise sind nicht veröffentlicht.
- Welche Nachteile hat MOSS-Transcribe-Diarize 0.9B?
- Die Haupt-Benchmarks sind selbst gemeldet und überwiegend auf Mandarin; Braucht trust_remote_code und einen festgelegten vLLM-Nightly; Lange Dateien brauchen hohe Werte für max_new_tokens; Das beste Modell (Pro) gibt es nur im Playground.
- Für wen eignet sich MOSS-Transcribe-Diarize 0.9B?
- Teams, die lange Aufnahmen mit mehreren Sprechern auf eigenen GPUs transkribieren, besonders auf Chinesisch, und Sprecherlabels ohne separates Diarisierungsmodell wollen.
- Was kostet MOSS-Transcribe-Diarize 0.9B für ein Team oder im Produktivbetrieb?
- Eine H100 schafft nach den Cookbook-Zahlen je nach Parallelität etwa 51 bis 99 Sekunden Langform-Audio pro Sekunde, ein Monat mit 10.000 Audiostunden braucht also rund 100 bis 200 H100-Stunden.
- Ist MOSS-Transcribe-Diarize 0.9B sicher für Firmendaten?
- Gewichte unter Apache 2.0 ohne Umsatzgrenze; selbst gehostet bleibt Audio auf deiner Hardware. Der Pro-Playground ist ein Dienst von MOSI, dessen Aufbewahrungsbedingungen wir nicht finden konnten.
- Was sind die besten Alternativen zu MOSS-Transcribe-Diarize 0.9B?
- Die nächsten Alternativen, die wir getestet haben, sind VibeVoice-ASR, Whisper large-v3-turbo, ElevenLabs Scribe v2 und Parakeet TDT 0.6B v3.
Antworten geprüft am 26. Okt. 2026.