OpenMOSS 发布了 MOSS-Transcribe-Diarize，这是一个拥有 0.9B 参数的端到端音频理解模型，专为长篇幅多说话人转录、说话人日志、时间戳和声学事件感知而设计。

该模型在一次传递中联合执行语音转录和说话人日志，消除了拼接单独的 ASR 和说话人日志系统的需求。它生成紧凑的、时间对齐的转录文本，并使用 [S01] 和 [S02] 等匿名说话人标签。该模型基于 Qwen3-0.6B 风格的因果解码器和 Whisper-Medium 编码器构建，支持自定义转录指令、热词和声学事件注释。

这种方法通过识别会议、电话、播客和其他长录音中谁在何时发言，为下游系统提供了更丰富的音频内容视图。