Qu’est-ce que MOSS-Transcribe-Diarize 0.9B ?
MOSS-Transcribe-Diarize est un modèle de reconnaissance vocale ouvert de l'équipe OpenMOSS, open-sourcé le 9 juillet 2026 sous Apache 2.0. Au lieu de chaîner Whisper avec un modèle de diarisation distinct comme pyannote, il émet un seul flux de texte horodaté et étiqueté par locuteur sous la forme [start][S01]text[end], avec des balises d'événements acoustiques optionnelles et des mots-clés personnalisés.
Il associe un encodeur audio de style Whisper-Medium à un décodeur de style Qwen3-0.6B, environ 0,9 milliard de paramètres au total. La fiche du modèle revendique plus de 50 langues sans réglage de langue et une inférence en une passe sur des enregistrements jusqu'à 90 minutes. Un MOSS-Transcribe-Diarize Pro plus grand est disponible uniquement via le playground en ligne de MOSI.
L'équipe rapporte une première place au 2nd MLC-SLM Challenge à INTERSPEECH 2026, qui couvrait 14 langues. Les poids ont environ 170 000 téléchargements.
MOSS-Transcribe-Diarize 0.9B vaut-il le coup ?
MOSS-Transcribe-Diarize fait dans un seul modèle de 0,9B ce dont la plupart des piles ouvertes ont besoin de deux : qui a parlé, quand et ce qu'il a dit. Pour une équipe qui collait Whisper à pyannote et réconciliait leurs horodatages, cela supprime toute une classe de bugs d'alignement.
Les résultats publiés sont solides mais étroits. Sur le jeu de réunions AISHELL-4, l'équipe rapporte un taux d'erreur attribué au locuteur (cpCER) de 15,83, contre 37,95 pour ElevenLabs, 27,43 pour Gemini 3 Pro et 24,99 pour le VibeVoice ASR de Microsoft ; sur son jeu Podcast, le chiffre est de 7,37 contre 11,34 pour ElevenLabs. Ce sont des taux d'erreur par caractère autodéclarés, et AISHELL-4 et AliMeeting sont des corpus de réunions en mandarin, si bien qu'ils disent peu sur l'audio de centre d'appels en anglais.
Le débit sur un H100 est pratique. Dans les chiffres du cookbook SGLang Omni, les longs enregistrements tournent à environ 51 secondes d'audio par seconde avec une requête et environ 99 avec 16 en parallèle, si bien qu'un GPU traite une réunion d'une heure en bien moins d'une minute à pleine charge. Les courts clips reviennent en environ 0,39 seconde.
Les aspérités sont opérationnelles. Le chargement a besoin de trust_remote_code, la prise en charge de vLLM exige une version nightly épinglée, les longs fichiers ont besoin de max_new_tokens relevé de 5 120 à jusqu'à 65 536, et le repli d'attention eager manque de mémoire sur les longs enregistrements.
Là où il fait la différence
Un réseau de podcasts qui publie 200 épisodes par mois
Produire des transcriptions étiquetées par locuteur et des sous-titres
Faire tourner le modèle derrière vLLM sur un GPU et lui donner des épisodes entiers jusqu'à 90 minutes ; l'appli web de sous-titres fournie exporte les légendes. Pas de frais à la minute, contre payer une API de diarisation hébergée.
Un ingénieur ML dans une entreprise de logiciels de réunion de Shanghai
Remplacer un pipeline Whisper plus pyannote pour les réunions en mandarin
Un seul appel de modèle renvoie des segments [start][Sxx]text[end], ce qui supprime la réconciliation d'horodatage ; le cpCER AISHELL-4 de l'équipe de 15,83 est le chiffre publié le plus pertinent pour ce travail.
Une startup legal-tech qui gère des dépositions qui doivent rester sur site
Transcrire des enregistrements de deux heures avec les tours de parole
Les fichiers au-delà de 90 minutes doivent être découpés, et la précision en anglais n'est pas bien documentée, alors menez un pilote face à une transcription humaine avant de vous engager.
Avant de vous engager
- Mise en route
- Clonez le dépôt, créez un environnement Python 3.12 avec uv et installez avec l'extra torch-runtime ; chargez avec Transformers et trust_remote_code=True. flash-attn optionnel accélère l'inférence CUDA.
- Intégrations
- Transformers, SGLang Omni, vLLM (/v1/audio/transcriptions compatible OpenAI) et l'écosystème FunASR ; un guide d'affinage et une appli web de sous-titres sont inclus.
- Données et confidentialité
- Poids Apache 2.0 sans plafond de revenus ; l'audio auto-hébergé reste sur votre matériel. Le playground Pro est un service MOSI dont nous n'avons pas pu trouver les conditions de conservation.
- Coût à grande échelle
- Un H100 gère environ 51 à 99 secondes d'audio long format par seconde selon la concurrence, d'après les chiffres du cookbook, si bien qu'un mois de 10 000 heures d'audio a besoin d'environ 100 à 200 heures de H100.
- Limites
- 90 minutes par passe ; le max_new_tokens par défaut de 5 120 tronque les longues transcriptions ; l'attention eager manque de mémoire sur l'audio long ; la précision en anglais et dans les langues européennes n'est pas publiée en détail.
Les points forts
- Transcription, diarisation et horodatage en une passe
- Jusqu'à 90 minutes par fichier sans segmentation
- Poids Apache 2.0 à 0,9B de paramètres
- Se sert via l'API de transcription compatible OpenAI de vLLM
Les points faibles
- Les benchmarks mis en avant sont autodéclarés et surtout en mandarin
- Exige trust_remote_code et une version nightly épinglée de vLLM
- Les longs fichiers ont besoin de réglages max_new_tokens élevés
- Le meilleur modèle (Pro) est uniquement sur le playground
Idéal pour
Les équipes qui transcrivent de longs enregistrements multi-locuteurs sur leurs propres GPU, surtout en chinois, qui veulent des étiquettes de locuteur sans un modèle de diarisation distinct.
Alternatives à MOSS-Transcribe-Diarize 0.9B
MOSS-Transcribe-Diarize 0.9B : questions fréquentes
- MOSS-Transcribe-Diarize 0.9B vaut-il le coup ?
- MOSS-Transcribe-Diarize remplace un pipeline de réunion à deux modèles par un seul petit, et ses victoires en benchmark sont surtout en mandarin. Nous lui donnons 3.9 sur 5.
- Combien coûte MOSS-Transcribe-Diarize 0.9B ?
- Gratuit sous Apache 2.0. Le modèle Pro plus grand est proposé via le playground en ligne de MOSI ; les tarifs d'API ne sont pas publiés.
- Quels sont les inconvénients de MOSS-Transcribe-Diarize 0.9B ?
- Les benchmarks mis en avant sont autodéclarés et surtout en mandarin; exige trust_remote_code et une version nightly épinglée de vLLM; les longs fichiers ont besoin de réglages max_new_tokens élevés; le meilleur modèle (Pro) est uniquement sur le playground.
- À qui s’adresse MOSS-Transcribe-Diarize 0.9B ?
- Les équipes qui transcrivent de longs enregistrements multi-locuteurs sur leurs propres GPU, surtout en chinois, qui veulent des étiquettes de locuteur sans un modèle de diarisation distinct.
- Combien coûte MOSS-Transcribe-Diarize 0.9B pour une équipe ou en production ?
- Un H100 gère environ 51 à 99 secondes d'audio long format par seconde selon la concurrence, d'après les chiffres du cookbook, si bien qu'un mois de 10 000 heures d'audio a besoin d'environ 100 à 200 heures de H100.
- MOSS-Transcribe-Diarize 0.9B est-il sûr pour les données de l’entreprise ?
- Poids Apache 2.0 sans plafond de revenus ; l'audio auto-hébergé reste sur votre matériel. Le playground Pro est un service MOSI dont nous n'avons pas pu trouver les conditions de conservation.
- Quelles sont les meilleures alternatives à MOSS-Transcribe-Diarize 0.9B ?
- Les alternatives les plus proches que nous avons testées sont VibeVoice-ASR, Whisper large-v3-turbo, ElevenLabs Scribe v2 et Parakeet TDT 0.6B v3.
Réponses vérifiées le 26 oct. 2026.