MOSS Transcribe Diarize 0.9B

Esta página de Soniqo documenta MOSS Transcribe Diarize 0.9B tal como está implementado en speech-swift / speech-core. Los enlaces a Hugging Face aparecen debajo de las notas de integración.

Primero página interna

Las tarjetas y menús apuntan primero aquí; los enlaces al modelo fuente y a los bundles siguen disponibles en esta página.

Resumen

Modelo	MOSS Transcribe Diarize 0.9B
Rol	Transcripción por lotes con etiquetas de hablante y marcas de tiempo generadas por el modelo
Backend	CoreML con frontend Whisper nativo basado en Accelerate
Salida	Transcripción plana y segmentos con hablante y marcas de tiempo
Idiomas	Modelo MOSS de transcripción multilingüe
Licencia	Verifica las condiciones del modelo fuente y de los bundles para el uso previsto
Estado	Disponible mediante speech transcribe --engine moss y el producto Swift MossTranscribe
Fuente	OpenMOSS-Team/MOSS-Transcribe-Diarize
Producto Swift	`MossTranscribe`
CLI / runtime	`speech transcribe --engine moss`

Uso

El fragmento siguiente refleja la API o el comando actual expuesto por speech-swift.

# INT8 es la opción predeterminada recomendada.
.build/release/speech transcribe recording.wav --engine moss

# Referencia FP16.
.build/release/speech transcribe recording.wav --engine moss --model fp16

Enlaces del modelo

Notas de implementación

Benchmark emparejado de 80 clips en inglés en un M5 Pro: ambas variantes obtuvieron WER agregado de 8,16% y CER de 5,90%.
Al combinar dos ejecuciones con orden invertido, INT8 obtuvo RTF 0,070 (14,3× tiempo real) frente a 0,079 (12,6×) de FP16, con RSS máximo muestreado de 2,38–2,40 GB frente a 3,69–3,74 GB.
El runtime Swift implementa el preprocesamiento log-mel Whisper exacto, el prompt con marcadores temporales MOSS, la inyección de embeddings de audio, las actualizaciones de caché MLState, la decodificación voraz y el análisis estructurado.
INT8 conserva el codificador de audio y la E/S del decodificador en FP16 y aplica cuantización lineal simétrica INT8 block-32 al decodificador.
Prompt y salida comparten un contexto fijo de 1024 tokens. El runtime actual es solo por lotes y rechaza --stream.