A OpenMOSS lançou o MOSS-Transcribe-Diarize, um modelo de compreensão de áudio de ponta a ponta com 0.9B de parâmetros, projetado para transcrição longa de múltiplos falantes, diarização, timestamps e consciência de eventos acústicos.
O modelo realiza conjuntamente a transcrição de fala e a diarização do falante em uma única passagem, eliminando a necessidade de juntar sistemas separados de ASR e diarização. Ele gera transcrições compactas alinhadas com o tempo com rótulos de falante anônimos como [S01] e [S02]. Construído com base em um decodificador causal estilo Qwen3-0.6B e um codificador Whisper-Medium, ele suporta instruções de transcrição personalizadas, palavras-chave e anotações de eventos acústicos.
Esta abordagem fornece uma visão mais rica do conteúdo de áudio para sistemas downstream ao identificar quem falou e quando dentro de reuniões, chamadas, podcasts e outras gravações longas.