¿Qué es MOSS-Transcribe-Diarize 0.9B?
MOSS-Transcribe-Diarize es un modelo abierto de voz a texto del equipo OpenMOSS, liberado el 9 de julio de 2026 bajo Apache 2.0. En lugar de encadenar Whisper con un modelo de diarización aparte como pyannote, emite un único flujo de texto con marcas de tiempo y etiquetas de hablante con el formato [start][S01]text[end], con etiquetas opcionales de eventos acústicos y palabras clave personalizadas.
Combina un codificador de audio de estilo Whisper-Medium con un decodificador de estilo Qwen3-0.6B, unos 900 millones de parámetros en total. La ficha del modelo afirma más de 50 idiomas sin necesidad de indicar el idioma e inferencia en una sola pasada para grabaciones de hasta 90 minutos. Un MOSS-Transcribe-Diarize Pro más grande solo está disponible a través del playground en línea de MOSI.
El equipo informa de que quedó primero en el 2nd MLC-SLM Challenge de INTERSPEECH 2026, que abarcó 14 idiomas. Los pesos suman unas 170.000 descargas.
¿Merece la pena MOSS-Transcribe-Diarize 0.9B?
MOSS-Transcribe-Diarize hace con un solo modelo de 0,9B lo que la mayoría de las soluciones abiertas necesitan dos para hacer: quién habló, cuándo y qué dijo. Para un equipo que ha estado pegando Whisper a pyannote y conciliando sus marcas de tiempo, eso elimina toda una clase de errores de alineación.
Los resultados publicados son buenos pero acotados. En el conjunto de reuniones AISHELL-4, el equipo declara una tasa de error atribuida al hablante (cpCER) de 15,83, frente a 37,95 de ElevenLabs, 27,43 de Gemini 3 Pro y 24,99 de VibeVoice ASR de Microsoft; en su conjunto Podcast la cifra es de 7,37 frente a 11,34 de ElevenLabs. Son tasas de error por carácter declaradas por el propio equipo, y AISHELL-4 y AliMeeting son corpus de reuniones en mandarín, así que dicen poco sobre el audio de un centro de llamadas en inglés.
El rendimiento en una H100 es práctico. Según las cifras del cookbook de SGLang Omni, las grabaciones largas se procesan a unos 51 segundos de audio por segundo con una petición y a unos 99 con 16 en paralelo, así que una GPU despacha una reunión de una hora en bastante menos de un minuto a plena carga. Los clips cortos vuelven en unos 0,39 segundos.
Las asperezas son operativas. La carga necesita trust_remote_code, el soporte en vLLM exige una versión nightly concreta, los archivos largos requieren subir max_new_tokens de 5.120 hasta 65.536, y la atención eager de respaldo se queda sin memoria con grabaciones largas.
Dónde se gana su sitio
Una red de pódcast que publica 200 episodios al mes
Producir transcripciones con etiquetas de hablante y subtítulos
Ejecutar el modelo detrás de vLLM en una GPU y procesar episodios completos de hasta 90 minutos; la aplicación web de subtítulos incluida exporta los subtítulos. Sin tarifas por minuto, frente a pagar una API de diarización alojada.
Un ingeniero de ML en una empresa de software de reuniones de Shanghái
Sustituir una cadena de Whisper más pyannote para reuniones en mandarín
Una sola llamada al modelo devuelve segmentos [start][Sxx]text[end], lo que elimina la conciliación de marcas de tiempo; el cpCER de 15,83 en AISHELL-4 que declara el equipo es la cifra publicada más relevante para este trabajo.
Una startup de legal tech que gestiona declaraciones que deben quedarse en sus instalaciones
Transcribir grabaciones de dos horas con turnos de palabra
Los archivos de más de 90 minutos deben dividirse, y la precisión en inglés no está bien documentada, así que conviene hacer una prueba piloto frente a una transcripción humana antes de comprometerse.
Antes de decidirte
- Puesta en marcha
- Clona el repositorio, crea un entorno de Python 3.12 con uv e instala con el extra torch-runtime; carga con Transformers y trust_remote_code=True. flash-attn, opcional, acelera la inferencia en CUDA.
- Integraciones
- Transformers, SGLang Omni, vLLM (/v1/audio/transcriptions compatible con OpenAI) y el ecosistema FunASR; incluye una guía de fine-tuning y una aplicación web de subtítulos.
- Datos y privacidad
- Pesos Apache 2.0 sin tope de ingresos; el audio alojado por cuenta propia se queda en tu hardware. El playground Pro es un servicio de MOSI cuyas condiciones de retención no encontramos.
- Coste a escala
- Una H100 procesa entre unos 51 y 99 segundos de audio largo por segundo según la concurrencia, según las cifras del cookbook, así que un mes de 10.000 horas de audio necesita entre unas 100 y 200 horas de H100.
- Límites
- 90 minutos por pasada; el max_new_tokens por defecto de 5.120 trunca las transcripciones largas; la atención eager se queda sin memoria con audio largo; la precisión en inglés y en idiomas europeos no se publica en detalle.
Lo bueno
- Transcripción, diarización y marcas de tiempo en una sola pasada
- Hasta 90 minutos por archivo sin segmentar
- Pesos Apache 2.0 con 0,9B parámetros
- Se sirve mediante la API de transcripción compatible con OpenAI de vLLM
Lo malo
- Los benchmarks principales son propios y sobre todo en mandarín
- Exige trust_remote_code y una versión nightly concreta de vLLM
- Los archivos largos necesitan valores altos de max_new_tokens
- El mejor modelo (Pro) solo está en el playground
Ideal para
Equipos que transcriben grabaciones largas con varios hablantes en sus propias GPU, sobre todo en chino, y quieren etiquetas de hablante sin un modelo de diarización aparte.
Alternativas a MOSS-Transcribe-Diarize 0.9B
MOSS-Transcribe-Diarize 0.9B: preguntas frecuentes
- ¿Merece la pena MOSS-Transcribe-Diarize 0.9B?
- MOSS-Transcribe-Diarize sustituye una cadena de dos modelos para reuniones por un solo modelo pequeño, y sus victorias en benchmarks son sobre todo en mandarín. Le damos un 3.9 sobre 5.
- ¿Cuánto cuesta MOSS-Transcribe-Diarize 0.9B?
- Gratuito bajo Apache 2.0. El modelo Pro, más grande, se ofrece a través del playground en línea de MOSI; no se publica precio de API.
- ¿Qué inconvenientes tiene MOSS-Transcribe-Diarize 0.9B?
- Los benchmarks principales son propios y sobre todo en mandarín; exige trust_remote_code y una versión nightly concreta de vLLM; los archivos largos necesitan valores altos de max_new_tokens; el mejor modelo (Pro) solo está en el playground.
- ¿Para quién es MOSS-Transcribe-Diarize 0.9B?
- Equipos que transcriben grabaciones largas con varios hablantes en sus propias GPU, sobre todo en chino, y quieren etiquetas de hablante sin un modelo de diarización aparte.
- ¿Cuánto cuesta MOSS-Transcribe-Diarize 0.9B para un equipo o en producción?
- Una H100 procesa entre unos 51 y 99 segundos de audio largo por segundo según la concurrencia, según las cifras del cookbook, así que un mes de 10.000 horas de audio necesita entre unas 100 y 200 horas de H100.
- ¿Es MOSS-Transcribe-Diarize 0.9B seguro para los datos de la empresa?
- Pesos Apache 2.0 sin tope de ingresos; el audio alojado por cuenta propia se queda en tu hardware. El playground Pro es un servicio de MOSI cuyas condiciones de retención no encontramos.
- ¿Cuáles son las mejores alternativas a MOSS-Transcribe-Diarize 0.9B?
- Las alternativas más cercanas que hemos analizado son VibeVoice-ASR, Whisper large-v3-turbo, ElevenLabs Scribe v2 y Parakeet TDT 0.6B v3.
Respuestas comprobadas el 26 oct 2026.