整理一场多人会议，麻烦的不只是把声音变成文字，还要标清谁在什么时候说了什么，最好连掌声、笑声等现场动静也别漏掉。MOSS-Transcribe-Diarize 0.9B 想用一个小模型一次完成这些工作：输入音频或视频，直接生成带时间戳和说话人标签的结构化转写稿。说话人分离指按不同发言者切段，并用 [S01]、[S02] 等匿名标签区分，并不识别真实姓名。
它最值得关注的地方是“合并流程”。传统做法往往串联 ASR（自动语音识别，即把人声转成文字）与独立的说话人分离系统；这个端到端模型则联合生成文字、说话人归属和时间位置，还可按提示加入热词及声音事件标注。项目页面称其面向会议、访谈、播客、课程等长而杂乱的多人录音，并采用 30 秒音频分块处理。眼下材料主要来自项目说明，尚未提供可供比较的准确率或速度数据，因此更适合把它看作一个值得本地语音应用关注的整合方案，而非已经得到充分验证的性能突破。