O que é MOSS-Transcribe-Diarize 0.9B?
O MOSS-Transcribe-Diarize é um modelo aberto de fala para texto da equipe OpenMOSS, com código aberto desde 9 de julho de 2026 sob Apache 2.0. Em vez de encadear o Whisper com um modelo de diarização separado como o pyannote, ele emite um único fluxo de texto com marcação de tempo e rótulo de falante no formato [start][S01]text[end], com tags opcionais de eventos acústicos e hotwords personalizadas.
Ele combina um codificador de áudio no estilo Whisper-Medium com um decodificador no estilo Qwen3-0.6B, cerca de 0,9 bilhão de parâmetros no total. O model card alega mais de 50 idiomas sem configuração de idioma e inferência em uma passada em gravações de até 90 minutos. Um MOSS-Transcribe-Diarize Pro maior só está disponível pelo playground online da MOSI.
A equipe informa o primeiro lugar no 2nd MLC-SLM Challenge do INTERSPEECH 2026, que cobriu 14 idiomas. Os pesos têm cerca de 170.000 downloads.
MOSS-Transcribe-Diarize 0.9B vale a pena?
O MOSS-Transcribe-Diarize faz em um único modelo de 0,9B o que a maioria das soluções abertas precisa de dois para fazer: quem falou, quando e o que disse. Para uma equipe que vinha colando o Whisper ao pyannote e conciliando os timestamps dos dois, isso elimina toda uma classe de bugs de alinhamento.
Os resultados publicados são fortes, mas restritos. No conjunto de reuniões AISHELL-4, a equipe informa uma taxa de erro atribuída ao falante (cpCER) de 15,83, contra 37,95 da ElevenLabs, 27,43 do Gemini 3 Pro e 24,99 do VibeVoice ASR da Microsoft; no seu conjunto Podcast, o número é 7,37 contra 11,34 da ElevenLabs. São taxas de erro por caractere autodeclaradas, e AISHELL-4 e AliMeeting são corpora de reuniões em mandarim, então dizem pouco sobre áudio de call center em inglês.
O throughput em uma H100 é prático. Nos números do cookbook do SGLang Omni, gravações longas rodam a cerca de 51 segundos de áudio por segundo com uma requisição e cerca de 99 com 16 em paralelo, então uma GPU processa uma reunião de uma hora em bem menos de um minuto com carga total. Clipes curtos retornam em cerca de 0,39 segundo.
As arestas são operacionais. O carregamento exige trust_remote_code, o suporte no vLLM requer um build nightly fixado, arquivos longos precisam que max_new_tokens suba de 5.120 para até 65.536, e o fallback de atenção eager fica sem memória em gravações longas.
Onde ele se destaca
Uma rede de podcasts que publica 200 episódios por mês
Produzir transcrições com rótulos de falante e legendas
Rode o modelo atrás do vLLM em uma GPU e envie episódios inteiros de até 90 minutos; o app web de legendas incluído exporta as legendas. Sem tarifas por minuto, ao contrário de pagar uma API de diarização hospedada.
Um engenheiro de ML em uma empresa de software de reuniões em Xangai
Substituir um pipeline Whisper mais pyannote para reuniões em mandarim
Uma única chamada ao modelo devolve segmentos [start][Sxx]text[end], o que elimina a conciliação de timestamps; o cpCER de 15,83 da equipe no AISHELL-4 é o número publicado mais relevante para essa tarefa.
Uma startup de legal tech que lida com depoimentos que precisam ficar no local
Transcrever gravações de duas horas com turnos de falante
Arquivos com mais de 90 minutos precisam ser divididos, e a precisão em inglês não está bem documentada, então faça um piloto contra uma transcrição humana antes de se comprometer.
Antes de decidir
- Configuração
- Clone o repositório, crie um ambiente Python 3.12 com uv e instale com o extra torch-runtime; carregue com Transformers e trust_remote_code=True. O flash-attn opcional acelera a inferência em CUDA.
- Integrações
- Transformers, SGLang Omni, vLLM (/v1/audio/transcriptions compatível com OpenAI) e o ecossistema FunASR; um guia de fine-tuning e um app web de legendas estão incluídos.
- Dados e privacidade
- Pesos Apache 2.0 sem limite de receita; o áudio auto-hospedado fica no seu hardware. O playground Pro é um serviço da MOSI cujos termos de retenção não encontramos.
- Custo em escala
- Uma H100 processa de cerca de 51 a 99 segundos de áudio longo por segundo, dependendo da concorrência, pelos números do cookbook, então um mês de 10.000 horas de áudio precisa de cerca de 100 a 200 horas de H100.
- Limites
- 90 minutos por passada; o max_new_tokens padrão de 5.120 corta transcrições longas; a atenção eager fica sem memória em áudio longo; a precisão em inglês e em idiomas europeus não é publicada em detalhe.
O que é bom
- Transcrição, diarização e timestamps em uma passada
- Até 90 minutos por arquivo sem segmentação
- Pesos Apache 2.0 com 0,9B parâmetros
- Servido pela API de transcrição compatível com OpenAI do vLLM
O que não é
- Os benchmarks de destaque são autodeclarados e principalmente em mandarim
- Exige trust_remote_code e um nightly fixado do vLLM
- Arquivos longos precisam de valores altos de max_new_tokens
- O melhor modelo (Pro) só existe no playground
Ideal para
Equipes que transcrevem gravações longas com vários falantes nas próprias GPUs, especialmente em chinês, e querem rótulos de falante sem um modelo de diarização separado.
Alternativas ao MOSS-Transcribe-Diarize 0.9B
MOSS-Transcribe-Diarize 0.9B: perguntas frequentes
- MOSS-Transcribe-Diarize 0.9B vale a pena?
- O MOSS-Transcribe-Diarize troca um pipeline de reuniões de dois modelos por um único modelo pequeno, e suas vitórias em benchmarks são principalmente em mandarim. Damos nota 3.9 de 5.
- Quanto custa MOSS-Transcribe-Diarize 0.9B?
- Gratuito sob Apache 2.0. O modelo Pro maior é oferecido pelo playground online da MOSI; o preço da API não é publicado.
- Quais são as desvantagens de MOSS-Transcribe-Diarize 0.9B?
- Os benchmarks de destaque são autodeclarados e principalmente em mandarim; exige trust_remote_code e um nightly fixado do vLLM; arquivos longos precisam de valores altos de max_new_tokens; o melhor modelo (Pro) só existe no playground.
- Para quem MOSS-Transcribe-Diarize 0.9B é indicado?
- Equipes que transcrevem gravações longas com vários falantes nas próprias GPUs, especialmente em chinês, e querem rótulos de falante sem um modelo de diarização separado.
- Quanto custa MOSS-Transcribe-Diarize 0.9B para uma equipe ou em produção?
- Uma H100 processa de cerca de 51 a 99 segundos de áudio longo por segundo, dependendo da concorrência, pelos números do cookbook, então um mês de 10.000 horas de áudio precisa de cerca de 100 a 200 horas de H100.
- MOSS-Transcribe-Diarize 0.9B é seguro para dados da empresa?
- Pesos Apache 2.0 sem limite de receita; o áudio auto-hospedado fica no seu hardware. O playground Pro é um serviço da MOSI cujos termos de retenção não encontramos.
- Quais são as melhores alternativas ao MOSS-Transcribe-Diarize 0.9B?
- As alternativas mais próximas que analisamos são VibeVoice-ASR, Whisper large-v3-turbo, ElevenLabs Scribe v2 e Parakeet TDT 0.6B v3.
Respostas verificadas em 26 de out. de 2026.