Представлена новая компактная open-source модель MOSS-Transcribe-Diarize 0.9B, способная одновременно выполнять транскрибацию и диаризацию аудио в рамках единого прохода.
Что произошло
Разработана модель MOSS-Transcribe-Diarize объемом 0.9B параметров, которая объединяет задачи распознавания речи (STT) и разделения спикеров (diarization) в одном архитектурном этапе. Решение поддерживает более 50 языков, позволяет обрабатывать записи длительностью до 90 минут и умеет учитывать акустические события, выдавая структурированный текст с таймкодами и метками спикеров, такими как [S01, S02].
Контекст
Традиционные системы обработки аудио часто строятся на базе каскадных конвейеров (pipeline), где одна модель переводит речь в текст, а вторая определяет, кто именно говорит. Переход к архитектуре end-to-end (single-pass) позволяет избежать накопления ошибок между разными системами и значительно снизить задержки при обработке данных.
Почему это важно для индустрии
Для индустрии это важный шаг к созданию эффективных мультимодальных архитектур малого размера. Компактный размер модели делает её идеальной для развертывания на edge-устройствах и потребительском железе, что снижает зависимость разработчиков от дорогостоящих и ресурсоемких облачных API и упрощает создание быстрых, приватных систем аудио-анализа.
Почему это важно для пользователей
Пользователи получают возможность создавать качественные субтитры и автоматические протоколы встреч локально на своих устройствах. Это обеспечивает высокую приватность данных и позволяет экономить на подписках на облачные сервисы транскрибации, сохраняя при этом точность разделения участников разговора.
Источники
- GitHub - OpenMOSS/MOSS-Transcribe-Diarize
- Hugging Face - MOSS-Transcribe-Diarize 0.9B Summary
- arXiv - MOSS Transcribe Diarize Technical Report
Автор
Look at AI, редакция