OpenMOSS ha lanzado MOSS-Transcribe-Diarize, un modelo de comprensión de audio de extremo a extremo con 0.9B de parámetros diseñado para la transcripción larga de múltiples hablantes, diarización, marcas de tiempo y conciencia de eventos acústicos.
El modelo realiza conjuntamente la transcripción de voz y la diarización del hablante en un solo paso, eliminando la necesidad de unir sistemas separados de ASR y diarización. Genera transcripciones compactas alineadas con el tiempo con etiquetas de hablante anónimas como [S01] y [S02]. Basado en un decodificador causal estilo Qwen3-0.6B y un codificador Whisper-Medium, admite instrucciones de transcripción personalizadas, palabras clave y anotaciones de eventos acústicos.
Este enfoque proporciona una visión más rica del contenido de audio para sistemas posteriores al identificar quién habló y cuándo dentro de reuniones, llamadas, podcasts y otras grabaciones largas.