MOSS Transcribe Diarize 0.9B

Эта страница Soniqo описывает MOSS Transcribe Diarize 0.9B из локальной реализации speech-swift / speech-core. Ссылки на Hugging Face находятся ниже после заметок по интеграции.

Сначала внутренняя страница

Карточки и меню документации сначала ведут сюда; ссылки на исходную модель и бандлы остаются на этой странице.

Кратко

Модель	MOSS Transcribe Diarize 0.9B
Роль	Пакетная транскрипция с созданными моделью метками говорящих и времени
Backend	CoreML с нативным Whisper-фронтендом на Accelerate
Вывод	Обычный текст и сегменты с временными метками и говорящими
Языки	Многоязычная модель транскрипции MOSS
Лицензия	Проверьте условия исходной модели и бандлов для предполагаемого использования
Статус	Доступно через speech transcribe --engine moss и Swift-продукт MossTranscribe
Источник	OpenMOSS-Team/MOSS-Transcribe-Diarize
Swift-продукт	`MossTranscribe`
CLI / runtime	`speech transcribe --engine moss`

Использование

Фрагмент ниже соответствует текущему API или команде из speech-swift.

# INT8 — рекомендуемый вариант по умолчанию.
.build/release/speech transcribe recording.wav --engine moss

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

Ссылки модели

Заметки реализации

Сопоставимый тест 80 английских клипов на M5 Pro: обе версии показали суммарный WER 8,16% и CER 5,90%.
По двум запускам в обратном порядке INT8 дал объединённый RTF 0,070 (14,3× реального времени), FP16 — 0,079 (12,6×); выборочный пик RSS составил 2,38–2,40 ГБ и 3,69–3,74 ГБ.
Среда Swift выполняет точную log-mel-предобработку Whisper, сборку MOSS-промпта с метками времени, подстановку аудиоэмбеддингов, обновление MLState, жадное декодирование и разбор структуры.
INT8 сохраняет аудиоэнкодер и ввод-вывод декодера в FP16, применяя к декодеру симметричную линейную квантизацию INT8 block-32.
Промпт и вывод делят фиксированный контекст на 1024 токена. Сейчас поддерживается только пакетный режим, а --stream отклоняется.