MOSS-Transcribe-Diarize 0.9Bとは？
MOSS-Transcribe-DiarizeはOpenMOSSチームのオープンな音声認識モデルで、2026年7月9日にApache 2.0でオープンソース化されました。Whisperとpyannoteのような別の話者分離モデルを連結する代わりに、[start][S01]text[end]の形式で、タイムスタンプと話者ラベル付きのテキストを1つのストリームとして出力します。音響イベントのタグや独自のホットワードも任意で使えます。
Whisper-Medium型の音声エンコーダーとQwen3-0.6B型のデコーダーを組み合わせ、合計で約9億パラメータです。モデルカードは、言語を指定せずに50以上の言語に対応し、最大90分の録音を1回で推論できるとしています。より大きなMOSS-Transcribe-Diarize Proは、MOSIのオンラインプレイグラウンドでのみ使えます。
チームは、14言語を対象としたINTERSPEECH 2026の第2回MLC-SLM Challengeで1位になったと報告しています。重みのダウンロード数は約170,000回です。
MOSS-Transcribe-Diarize 0.9Bは使う価値があるか？
MOSS-Transcribe-Diarizeは、多くのオープンな構成が2つのモデルで行うこと、つまり誰が、いつ、何を話したかを、1つの0.9Bモデルでこなします。Whisperとpyannoteをつなぎ合わせてタイムスタンプを突き合わせてきたチームにとっては、位置合わせのバグを丸ごと取り除けます。
公開された結果は強力ですが、範囲は狭いものです。AISHELL-4の会議データでは、チームは話者付きの誤り率（cpCER）を15.83と報告しており、ElevenLabsは37.95、Gemini 3 Proは27.43、MicrosoftのVibeVoice ASRは24.99です。チームのPodcastデータでは7.37で、ElevenLabsは11.34です。これらは自己申告の文字誤り率で、AISHELL-4とAliMeetingは中国語の会議コーパスなので、英語のコールセンター音声についてはほとんど何もわかりません。
H100 1台でのスループットは実用的です。SGLang Omniのクックブックの数値で は、長い録音を1リクエストで毎秒約51秒分、16並列で約99秒分処理するため、GPU 1台がフル稼働なら1時間の会議を1分を大きく下回る時間で処理できます。短いクリップは約0.39秒で返ってきます。
粗い部分は運用面にあります。読み込みにはtrust_remote_codeが必要で、vLLMでの対応には固定したnightlyビルドが必要です。長いファイルではmax_new_tokensを5,120から最大65,536まで上げる必要があり、eager attentionのフォールバックは長い録音でメモリ不足になります。
真価を発揮する場面
月に200エピソードを配信するポッドキャストネットワーク
話者ラベル付きの書き起こしと字幕を作る
1台のGPUでvLLMを介してモデルを動かし、最大90分のエピソードを丸ごと入力します。付属の字幕Webアプリでキャプションを書き出せます。ホスト型の話者分離APIに支払う場合と違い、分単位の料金はかかりません。
上海の会議ソフトウェア企業のMLエンジニア
中国語の会議向けのWhisperとpyannoteのパイプラインを置き換える
1回のモデル呼び出しで[start][Sxx]text[end]のセグメントが返るため、タイムスタンプの突き合わせが不要になります。この用途で最も参考になる公開数値は、チームが報告するAISHELL-4のcpCER 15.83です。
オンプレミスにとどめる必要がある証言録取を扱うリーガルテックのスタートアップ
2時間の録音を話者の交代付きで文字起こしする
90分を超えるファイルは分割が必要で、英語の精度は十分に記録されていないため、導入を決める前に人間による書き起こしと比べる試験運用を行ってください。
導入前に確認すること
- 導入
- リポジトリをクローンし、uvでPython 3.12の環境を作り、torch-runtimeのextraを付けてインストールします。Transformersでtrust_remote_code=Trueを指定して読み込みます。任意のflash-attnでCUDAの推論が速くなります。
- 連携
- Transformers、SGLang Omni、vLLM（OpenAI互換の/v1/audio/transcriptions）、FunASRのエコシステム。ファインチューニングのガイドと字幕Webアプリが含まれています。
- データとプライバシー
- 売上の上限がないApache 2.0の重みで、セルフホストなら音声は自前のハードウェアにとどまります。ProのプレイグラウンドはMOSIのサービスで、データ保持の条件は見つかりませんでした。
- 大規模利用時のコスト
- クックブックの数値では、H100 1台は同時実行数に応じて長尺音声を毎秒およそ51〜99秒分処理するため、月10,000時間の音声にはおよそ100〜200時間分のH100が必要です。
- 制限
- 1回の処理は90分まで。デフォルトのmax_new_tokens 5,120では長い書き起こしが途中で切れます。eager attentionは長い音声でメモリ不足になります。英語と欧州言語の精度は詳しく公開されていません。
良い点
- 文字起こし、話者分離、タイムスタンプを1回の処理で
- 分割せずに1ファイル最大90分
- 0.9BパラメータでApache 2.0の重み
- vLLMのOpenAI互換の文字起こしAPIで提供できる
気になる点
- 主要なベンチマークは自己申告で、大半が中国語
- trust_remote_codeと固定したvLLMのnightlyが必要
- 長いファイルではmax_new_tokensを大きく設定する必要がある
- 最良のモデル（Pro）はプレイグラウンド限定
おすすめの人
長い複数話者の録音を自前のGPUで、特に中国語で文字起こしし、別の話者分離モデルなしで話者ラベルを得たいチームに向いています。
MOSS-Transcribe-Diarize 0.9Bの代替
MOSS-Transcribe-Diarize 0.9B：よくある質問
- MOSS-Transcribe-Diarize 0.9Bは使う価値があるか？
- MOSS-Transcribe-Diarizeは2つのモデルからなる会議用パイプラインを1つの小さなモデルに置き換えます。ベンチマークでの勝利は主に中国語（普通話）でのものです。 評価は5点満点中3.9点です。
- MOSS-Transcribe-Diarize 0.9Bの料金は？
- Apache 2.0で無料です。より大きなProモデルはMOSIのオンラインプレイグラウンドで提供されており、APIの料金は公開されていません。
- MOSS-Transcribe-Diarize 0.9Bの欠点は？
- 主要なベンチマークは自己申告で、大半が中国語; trust_remote_codeと固定したvLLMのnightlyが必要; 長いファイルではmax_new_tokensを大きく設定する必要がある; 最良のモデル（Pro）はプレイグラウンド限定.
- MOSS-Transcribe-Diarize 0.9Bは誰に向いているか？
- 長い複数話者の録音を自前のGPUで、特に中国語で文字起こしし、別の話者分離モデルなしで話者ラベルを得たいチームに向いています。
- チームや本番環境でMOSS-Transcribe-Diarize 0.9Bを使うと費用はいくらか？
- クックブックの数値では、H100 1台は同時実行数に応じて長尺音声を毎秒およそ51〜99秒分処理するため、月10,000時間の音声にはおよそ100〜200時間分のH100が必要です。
- MOSS-Transcribe-Diarize 0.9Bは企業データを扱っても安全か？
- 売上の上限 がないApache 2.0の重みで、セルフホストなら音声は自前のハードウェアにとどまります。ProのプレイグラウンドはMOSIのサービスで、データ保持の条件は見つかりませんでした。
- MOSS-Transcribe-Diarize 0.9Bの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はVibeVoice-ASR, Whisper large-v3-turbo, ElevenLabs Scribe v2 、 Parakeet TDT 0.6B v3です。
回答確認日：2026年10月26日