MOSS-Transcribe-Diarize 0.9B의 개요
MOSS-Transcribe-Diarize는 OpenMOSS 팀의 오픈 음성-텍스트 모델로, 2026년 7월 9일 Apache 2.0으로 오픈소스화되었습니다. Whisper와 pyannote 같은 별도의 화자 분리 모델을 이어 붙이는 대신, [start][S01]text[end] 형식으로 타임스탬프와 화자 라벨이 붙은 텍스트를 하나의 스트림으로 출력합니다. 음향 이벤트 태그와 사용자 지정 핫워드도 선택적으로 쓸 수 있습니다.
Whisper-Medium 계열의 오디오 인코더와 Qwen3-0.6B 계열의 디코더를 결합했으며, 전체 파라미터는 약 9억(0.9 billion)입니다. 모델 카드는 언어 설정 없이 50개 이상의 언어를 지원하고, 최대 90분 길이의 녹음을 한 번에 추론한다고 밝힙니다. 더 큰 MOSS-Transcribe-Diarize Pro는 MOSI의 온라인 플레이그라운드에서만 쓸 수 있습니다.
팀은 14개 언어를 다룬 INTERSPEECH 2026의 제2회 MLC-SLM Challenge에서 1위를 했다고 밝힙니다. 가중치 다운로드 수는 약 170,000회입니다.
MOSS-Transcribe-Diarize 0.9B, 쓸 만한 가치가 있습니까?
MOSS-Transcribe-Diarize는 대부분의 오픈 스택이 모델 두 개로 하는 일, 즉 누가, 언제, 무엇을 말했는지를 0.9B 모델 하나로 처리합니다. Whisper와 pyannote를 이어 붙이고 타임스탬프를 맞춰 온 팀에게는 정렬 버그 한 부류가 통째로 사라집니다.
공개된 결과는 강하지만 범위가 좁습니다. AISHELL-4 회의 데이터셋에서 팀이 보고한 화 자 귀속 오류율(cpCER)은 15.83으로, ElevenLabs의 37.95, Gemini 3 Pro의 27.43, Microsoft VibeVoice ASR의 24.99보다 낮습니다. 자체 Podcast 데이터셋에서는 7.37로, ElevenLabs의 11.34와 비교됩니다. 모두 자체 보고한 문자 오류율이며, AISHELL-4와 AliMeeting은 중국어 표준어 회의 코퍼스이므로 영어 콜센터 오디오에 대해서는 알려 주는 바가 적습니다.
H100 한 장에서의 처리량은 실용적입니다. SGLang Omni 쿡북 수치에 따르면 긴 녹음은 요청 1개일 때 초당 약 51초 분량, 16개를 병렬로 돌릴 때 약 99초 분량의 오디오를 처리합니다. 따라서 전부하에서 GPU 한 장이 1시간짜리 회의를 1분이 훨씬 안 되어 끝냅니다. 짧은 클립은 약 0.39초 만에 결과가 나옵니다.
거친 부분은 운영 쪽에 있습니다. 로딩에 trust_remote_code가 필요하고, vLLM 지원에는 고정된 nightly 빌드가 필요하며, 긴 파일은 max_new_tokens를 5,120에서 최대 65,536까지 올려야 하고, eager 어텐션 폴백은 긴 녹음에서 메모리가 부족해집니다.
제 역할을 하는 곳
매월 에피소드 200편을 내는 팟캐스트 네트워크
화자 라벨이 붙은 대본과 자막 제작
GPU 한 장에서 vLLM 뒤에 모델을 띄우고 최대 90분짜리 에피소드를 통째로 넣습니다. 번들 자막 웹 앱이 캡션을 내보냅니다. 호스팅 화자 분리 API에 비용을 내는 것과 달리 분당 요금이 없습니다.
상하이 회의 소프트웨어 회사의 ML 엔지니어
중국어 표준어 회의용 Whisper + pyannote 파이프라인 대체
모델 호출 한 번으로 [start][Sxx]text[end] 구간이 반환되어 타임스탬프 맞추기가 사라집니다. 이 작업에 가장 관련 있는 공개 수치는 팀이 보고한 AISHELL-4 cpCER 15.83입니다.
온프레미스에 두어야 하는 증언 녹취를 다루는 리걸테크 스타트업
화자 교대가 표시된 2시간짜리 녹음 받아쓰기
90분을 넘는 파일은 나눠야 하고 영어 정확도는 잘 문서화되어 있지 않으므로, 도입 전에 사람이 만든 녹취록과 비교하는 파일럿을 돌려 보십시오.
도입 전 확인할 점
- 설정
- 저장소를 클론하고 uv로 Python 3.12 환경을 만든 뒤 torch-runtime extra와 함께 설치합니다. Transformers에서 trust_remote_code=True로 불러옵니다. 선택 사항인 flash-attn을 쓰면 CUDA 추론이 빨라집니다.
- 연동
- Transformers, SGLang Omni, vLLM(OpenAI 호환 /v1/audio/transcriptions), FunASR 생태계. 파인튜닝 가이드와 자막 웹 앱이 포함되어 있습니다.
- 데이터와 개인정보
- 매출 상한이 없는 Apache 2.0 가중치이며, 자체 호스팅한 오디오는 자체 하드웨어에 머뭅니다. Pro 플레이그라운드는 MOSI 서비스로, 보존 조건은 찾지 못했습니다.
- 대규모 사용 시 비용
- 쿡북 수치로 H100 한 장은 동시 처리 수에 따라 초당 약 51~99초 분량의 긴 오디오를 처리합니다. 따라서 월 10,000시간의 오디오에는 대략 100~200 H100 시간이 필요합니다.
- 제한
- 한 번에 90분까지입니다. 기본 max_new_tokens 5,120에서는 긴 대본이 잘립니다. eager 어텐션은 긴 오디오에서 메모리가 부족해집니다. 영어와 유럽 언어 정확도는 자세히 공개되지 않았습니다.
좋은 점
- 받아쓰기, 화자 분리, 타임스탬프를 한 번에 처리
- 파일당 최대 90분까지 분할 없이 처리
- 0.9B 파라미터의 Apache 2.0 가중치
- vLLM의 OpenAI 호환 전사 API로 서빙 가능
아쉬운 점
- 대표 벤치마크는 자체 보고이며 대부분 중국어 표준어
- trust_remote_code와 고정된 vLLM nightly 필요
- 긴 파일에는 큰 max_new_tokens 설정 필요
- 최고 모델(Pro)은 플레이그라운드에서만 사용 가능
추천 대상
자체 GPU로 긴 다화자 녹음, 특히 중국어 녹음을 받아쓰면서 별도 화자 분리 모델 없이 화자 라벨을 얻고 싶은 팀.
MOSS-Transcribe-Diarize 0.9B 대안
MOSS-Transcribe-Diarize 0.9B: 자주 묻는 질문
- MOSS-Transcribe-Diarize 0.9B, 쓸 만한 가치가 있습니까?
- MOSS-Transcribe-Diarize는 모델 두 개로 이루어진 회의 파이프라인을 작은 모델 하나로 대체합니다. 벤치마크 우위는 대부분 중국어 표준어(Mandarin)에서 나왔습니다. 평점은 5점 만점에 3.9점입니다.
- MOSS-Transcribe-Diarize 0.9B의 가격은 얼마입니까?
- Apache 2.0으로 무료입니다. 더 큰 Pro 모델은 MOSI의 온라인 플레이그라운드에서 제공되며, API 가격은 공개되지 않았습니다.
- MOSS-Transcribe-Diarize 0.9B의 단점은 무엇입니까?
- 대표 벤치마크는 자체 보고이며 대부분 중국어 표준어; trust_remote_code와 고정된 vLLM nightly 필요; 긴 파일에는 큰 max_new_tokens 설정 필요; 최고 모델(Pro)은 플레이그라운드에서만 사용 가능.
- MOSS-Transcribe-Diarize 0.9B에 적합한 사람은 누구입니까?
- 자체 GPU로 긴 다화자 녹음, 특히 중국어 녹음을 받아쓰면서 별도 화자 분리 모델 없이 화자 라벨을 얻고 싶은 팀.
- 팀이나 프로덕션 환경에서 MOSS-Transcribe-Diarize 0.9B의 비용은 얼마입니까?
- 쿡북 수치로 H100 한 장은 동시 처리 수에 따라 초당 약 51~99초 분량의 긴 오디오를 처리합니다. 따라서 월 10,000시간의 오 디오에는 대략 100~200 H100 시간이 필요합니다.
- MOSS-Transcribe-Diarize 0.9B에 회사 데이터를 맡겨도 안전합니까?
- 매출 상한이 없는 Apache 2.0 가중치이며, 자체 호스팅한 오디오는 자체 하드웨어에 머뭅니다. Pro 플레이그라운드는 MOSI 서비스로, 보존 조건은 찾지 못했습니다.
- MOSS-Transcribe-Diarize 0.9B의 가장 좋은 대안은 무엇입니까?
- 저희가 리뷰한 것 중 가장 가까운 대안은 VibeVoice-ASR, Whisper large-v3-turbo, ElevenLabs Scribe v2 및 Parakeet TDT 0.6B v3입니다.
답변 확인일: 2026년 10월 26일.