/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
MOSS-Transcribe-Diarize
Опубликована
14 июл 2026

moss-transcribe-diarize-zhtw-gguf

Распознавание речиАудио → текст8 профессий

Квантованная GGUF-сборка MOSS-Transcribe-Diarize для транскрибирования китайской и английской речи с обработкой тишины.

1 374скачиваний за 30 дней1лайквеса обновлены23 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это GGUF-сборка MOSS-Transcribe-Diarize от Luigi на основе модели OpenMOSS-Team/MOSS-Transcribe-Diarize. Репозиторий содержит варианты весов для запуска через движок RapidSpeech.cpp: основная версия q4mix-v2 занимает 759 МБ, также доступны варианты q8mix и F32. Базовая модель с 0,9 млрд параметров использует энкодер Whisper-medium и декодер Qwen3-0.6B; веса портированы в формат C++/ggml и проверены на соответствие исходному PyTorch-чекпойнту. Основная задача — транскрибирование аудио с временными метками и диаризацией говорящих; модель рассчитана на китайский и английский языки.

Вариант q4mix-v2 дополнительно адаптирован QAT к распознаванию тишины: на полностью беззвучном входе он должен возвращать пустую расшифровку, сохраняя чувствительность к тихой речи. По приведённым тестам, точность на китайском наборе из пятиминутных записей улучшилась по сравнению с предыдущим q4-вариантом, а качество английской однопроходной расшифровки снизилось на 1,5 процентного пункта. Лицензия — Apache-2.0. Описание не подтверждает, что эта сборка сохраняет все функции диаризации базовой модели во всех вариантах весов.

Сценарии применения

  • транскрибирование китайских аудиозаписей
  • транскрибирование английской речи
  • расшифровка длинных аудиозаписей
  • получение временных меток в расшифровке
  • локальное распознавание речи на устройстве

Ограничения

Известное снижение качества английской однопроходной расшифровки для q4mix-v2 составляет 1,5 процентного пункта относительно указанного в README варианта сравнения. Поведение q8mix на полностью беззвучном входе не проверено; для q4mix-v2 диаризация отдельно не описана.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MOSS-Transcribe-Diarize GGUF weights

Status (2026-07-23): this repo serves a purification-first pipeline — the base OpenMOSS-Team/MOSS-Transcribe-Diarize (0.9B, Whisper-medium encoder + Qwen3-0.6B decoder, Apache-2.0), not fine-tuned, ported to C++/ggml and byte-verified against the genuine PyTorch reference before any optimization. Full writeup: vieenrose/distil-vibevoice-asr.

Files

filerole
moss-transcribe-base-q4mix-v2.ggufdeployed weights (759 MB) — mixed q4: every encoder/adaptor/decoder linear at Q4_K, token_embd at f16, norms/biases f32. Decoder tensors come from a silence-robust QAT checkpoint (see below); encoder/adaptor/token_embd are numerically identical to the plain base conversion
moss-transcribe-base-q8mix.ggufhigher-fidelity option (1.55 GB) — token_embd + full Qwen3 decoder at f16 (both measured Q8_0-collapse-sensitive), encoder + adaptor Q8_0. No silence QAT: its behavior on fully silent input has not been validated the way v2 has
moss-transcribe-base-f32.ggufthe byte-identity GATE reference (3.64 GB) — converted from the official checkpoint, f32, no fine-tuning
campplus.ggufCAM++ speaker embedding model, used for cross-window speaker linking in the demo

Why q4mix-v2 (silence robustness)

At f32 the model's EOS-on-silence decision has a thin margin (~+1.35 logits vs 15–17 on speech), so any q4 quantization noise could flip it: the previous q4mix free-ran marker loops ([0.00][S01][0.06]…) to the token budget on silent / unvoiced / near-silent audio. v2 fixes this in the weights — a minimal-perturbation QAT that trains only the silence decision class (silence negatives, garbage-recovery prefixes, quiet-lead-in patience composites, attenuated quiet-speech positives) with an L2 trust region to the base weights. Release validation vs the previous q4mix, identical harness:

  • silent input → empty transcript in seconds (this is the correct no-speech result, not an error);
  • zh 5-min golden agreement 89.3 → 96.7;
  • 5-meeting WER and speaker accuracy statistically unchanged;
  • quiet-speech sensitivity preserved (−40 dB attenuated speech still transcribed);
  • en single-pass golden −1.5 pt (97.2 vs 98.7) is the one known cost.

Engine and usage

Engine: vieenrose/RapidSpeech.cpp branch moss-pure, vendoring localai-org/moss-transcribe.cpp (MIT) unmodified. Live demo: Luigi/moss-transcribe-diarize-cpp.

Recommended flags: MT_KV_F16=1 MT_KV_EVICT_S=45 (near-lossless, large decode speedup on long audio). Integration details: integration note.

Removed files (2026-07-23)

The abandoned fine-tuned zh-TW lineage (moss-td-zhtw-v5kl…v71-*), the early base conversions (moss-td-base-*), the silence-fragile q4mix v1, and the unused campplus-cn-common.gguf were deleted from the tip of this repo. The fine-tuned line was measured to be over-specialised to its training domain and structurally fragile relative to the base model (structural-token logit margin 0.98 vs the base's 4.90 — quantization noise could flip marker decisions), which is why the project pivoted to the purified base. All removed files remain downloadable from this repo's git history (Files → History → pick a pre-2026-07-23 revision).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
3ee3982

0 моделей