OpenMOSS выпустила MOSS-Transcribe-Diarize, модель понимания аудио с 0.9B параметров, предназначенную для длинной многоречевой транскрипции, диаризации, таймстампов и распознавания акустических событий.
Модель выполняет совместную речевую транскрипцию и диаризацию за один проход, устраняя необходимость объединения отдельных систем ASR и диаризации. Она генерирует компактные, синхронизированные по времени транскрипты с анонимными метками говорящих, такими как [S01] и [S02]. Построенная на основе каузального декодера в стиле Qwen3-0.6B и кодировщика Whisper-Medium, она поддерживает пользовательские инструкции для транскрипции, горячие слова и аннотации акустических событий.
Этот подход обеспечивает более полное представление об аудиоконтенте для систем последующей обработки, определяя, кто и когда говорил в совещаниях, звонках, подкастах и других длинных записях.