MOSS-Transcribe-Diarize整合包：本地离线语音转文字的绝佳之选，能一步实现区分说话人并添加时间戳，非常适合会议、录音等场景！

核心要点

• 语音转文字旧方案存在的问题：对配置要求高、难以区分说话人、没有webui界面
• 整合包的核心功能：端到端一体化处理，可区分说话人、带有时间戳、支持热词设置
• 本地部署的优势：一键启动，适配低配置，支持多种格式导出

大家好，我是小二黑。

之前我一直有个需求，就是找一个语音转文字工具。它得满足几个条件：配置要求低、中文识别准确率高、带时间戳、还能区分说话人。

比如在电话录音、会议纪要这些场景中，区分说话人就特别重要。

当时我找了市面上很多开源项目，像FunASR、SenseVoice、Qwen-audio，还有Whisper，也都研究了本地部署，但都或多或少有些问题。

• 要么不是原生就能区分说话人
• 要么配置要求高
• 要么没有webui界面

折腾了半天，最后我都放弃了，觉得这个需求短期内实现不了了。

MOSS-Transcribe-Diarize 0.9B的出现

直到2026年7月6日，Moss家族开源了一个项目MOSS-Transcribe-Diarize 0.9B。

这个音频理解模型支持区分说话人、带时间戳，主打中英文，简直完美适配我的需求。

先说说它的功能。MOSS-Transcribe-Diarize官方自带webui界面，上传音频就能直接转文字，还能区分说话人。

我实测3人对话完全没问题；时间戳精准对应；还有热词设置，像专业领域里的冷门词汇，填上后就能直接识别，一劳永逸；还支持字幕调节并添加到视频等。

官方资料与核心优势

为了验证一下效果，我仔细研究了官方文档，确定是不是我理解的那样：

• 技术报告：https://arxiv.org/pdf/2601.01554
• 模型主页：https://mosi.cn/models/moss-transcribe-diarize
• 官方仓库：https://github.com/OpenMOSS/MOSS-Transcribe-Diarize

它和以往常见方案最大的不同在于，它属于端到端一体化模型。

很多开源方案都是语音识别、说话人区分两套模型分开运行，步骤繁琐，还容易出现时间戳错位、发言人匹配混乱的情况。

而MOSS-Transcribe-Diarize只需要一次推理，就能同步完成转写、人声区分、时序标注，在重叠发言、多人交替对话场景中的稳定性要好很多。

不过，项目虽然好，本地部署肯定还是有门槛的。为了方便咱们小白用户，我已经把项目的环境、依赖、模型都打包制作了一键整合包。

整合包有什么优势

整合包内置了完整的虚拟运行环境、适配好的CUDA组件与FFmpeg工具，不需要大家单独安装Python，断网环境下也能正常使用。

双击启动.BAT文件，就能自动拉起WebUI网页。显卡会自动启用GPU加速，没有独立显卡也可以用CPU模式运行。

同时我预设好了长音频参数，支持批量导入音视频，结果可以直接导出TXT、SRT、ASS多种字幕文件。

自媒体剪辑、整理会议文档都能直接用上。

实测配置表现

然后我个人实测了一下，有独立显卡的情况下，峰值显存占用是3GB左右，内存11GB左右，我觉得低于这个配置应该也能运行。

CPU模式下，我I5 - 8400cpu + 16GB内存无显卡能正常运行，速度也能接受，这应该就是一般办公电脑的配置了，完美适配会议纪要转写场景。

操作流程

1.双击启动.bat

然后等一会儿就会自动弹窗到浏览器。

2.进入正常操作页面后，点开高级

3.高级设置很重要

主要就是设置这里能提升效率。重点说几个：

• 红叉子不要动，这是官方系统提示词，除非你懂，否则别动！
• 热词框：比如有冷门词汇但在这段音频里总出现，你就写在这里，它就不会转写错误，每个热词之间用逗号隔开就行。
• 输出tokens框：这里可以理解为输出文字数量，不一定是1：1对应，长文本你就加个0在后面，20分钟以内的音频就不用管，如果太长可能就会不完整，到数量上限就不转写了。

4.生成结束后的操作

生成结束后就是这样，可以继续操作，右边能下载文件，有4种格式，一点击就下载。

说话人根据音频里面人数生成，3人就有S03。然后你根据人物声音判断是谁写上，字幕就同步了，可以直接给视频加上字幕。

下面还有字号、字位置、显示人名、说话人字幕带颜色，都根据自己需求填写就行。

使用提醒

最后提醒一句，如果您想在局域网开服务给大家用，目前的情况是生成任务都能看见。

比如张三用你服务转写了一个，李四打开页面能看到任务记录。所以如果想开网络服务，记得删除任务或者想办法做用户隔离。

如果自己用，就可以忽略。

好了，如果您对这个项目感兴趣，有这方面的需求，可私信我数字006跟我要整合包来体验一下，或者咱们互相学习互相分享经验，当然了，资源仅限个人非商用研究。

登录查看剩余 70% 内容