OpenMOSS telah merilis MOSS-Transcribe-Diarize, model pemahaman audio end-to-end dengan 0,9 miliar parameter yang dirancang untuk transkripsi multi-pembicara format panjang, diarization, timestamp, dan kesadaran peristiwa akustik.
Model ini secara bersama-sama melakukan transkripsi ucapan dan diarization pembicara dalam satu langkah, menghilangkan kebutuhan untuk menyatukan sistem ASR dan diarization terpisah. Model ini menghasilkan transkrip yang ringkas dan selaras waktu dengan label pembicara anonim seperti [S01] dan [S02]. Dibangun di atas decoder kausal gaya Qwen3-0.6B dan encoder Whisper-Medium, model ini mendukung instruksi transkripsi kustom, hotword, dan anotasi peristiwa akustik.
Pendekatan ini memberikan pandangan yang lebih kaya tentang konten audio untuk sistem downstream dengan mengidentifikasi siapa yang berbicara dan kapan dalam rapat, panggilan, podcast, dan rekaman panjang lainnya.