OpenMOSS a publié MOSS-Transcribe-Diarize, un modèle de compréhension audio de bout en bout de 0,9 milliard de paramètres conçu pour la transcription longue forme multi-intervenants, la diarisation, les horodatages et la détection d'événements acoustiques.
Le modèle effectue conjointement la transcription vocale et la diarisation des locuteurs en un seul passage, éliminant ainsi le besoin de coller ensemble des systèmes ASR et de diarisation séparés. Il génère des transcriptions compactes alignées temporellement avec des étiquettes de locuteurs anonymes telles que [S01] et [S02]. Construit sur un décodeur causal de style Qwen3-0.6B et un encodeur Whisper-Medium, il prend en charge les instructions de transcription personnalisées, les mots-clés prioritaires et les annotations d'événements acoustiques.
Cette approche offre une vue plus riche du contenu audio pour les systèmes en aval en identifiant qui a parlé et quand au sein des réunions, appels, podcasts et autres enregistrements longs.