MOSS语音转文字离线整合包分享支持说话人区分与时间戳_AI热点日报

MOSS语音转文字离线整合包分享支持说话人区分与时间戳

类型：热点整理2026-08-20

MOSS-Transcribe-Diarize整合包：本地离线语音转文字的优质选择，可一步完成说话人区分并自动添加时间戳，特别适合会议纪要、电话录音、访谈整理等音频转写场景！核心要点：1 传统语音转文字方案的痛点：部署配置要求高、难以准确区分说话人、缺少易用的 WebUI 可视化界面2 整合包的

MOSS-Transcribe-Diarize整合包：本地离线语音转文字的优质选择，可一步完成说话人区分并自动添加时间戳，特别适合会议纪要、电话录音、访谈整理等音频转写场景！
核心要点：
1. 传统语音转文字方案的痛点：部署配置要求高、难以准确区分说话人、缺少易用的 WebUI 可视化界面
2. 整合包的核心功能：端到端一体化语音转写处理，可识别不同说话人、自动附带时间戳、支持热词自定义设置
3. 本地部署的优势：一键启动，兼容低配置电脑，支持多种文本与字幕格式导出

大家好，我是小二黑。之前我一直有一个很明确的需求，就是找到一款真正好用的语音转文字工具，它最好同时满足几个条件：硬件配置要求低、中文语音识别准确率高、能够自动添加时间戳，最关键的是还要支持区分不同说话人。像电话录音整理、会议纪要生成、多人访谈转写这类场景里，说话人识别功能真的非常重要。当时我找了市面上不少开源项目，比如 FunASR、SenseVoice、Qwen-audio，还有 Whisper，也尝试研究过本地离线部署，但基本都存在一些实际问题：要么本身不原生支持说话人区分，要么部署门槛高、吃配置，要么没有 WebUI 操作界面。前前后后折腾了很久，最后我一度都放弃了，觉得这个需求短时间内可能很难实现。直到2026年7月6日，Moss 家族开源了 MOSS-Transcribe-Diarize 0.9B 这个项目。这个音频理解模型支持说话人分离、自动时间戳标注，主打中英文语音识别，几乎就是我一直在找的本地语音转写方案。先说它的实际功能，MOSS-Transcribe-Diarize 官方自带 WebUI 页面，上传音频后就可以直接进行语音转文字处理，还能自动区分说话人，我实测 3 人对话识别完全没有问题；时间戳对应也比较精准；另外还有热词设置功能，像专业术语、行业冷门词、品牌名这些词汇，提前填进去后识别效果会明显更稳；同时它还支持字幕调节并添加到视频中，适合做视频字幕和内容整理。为了进一步验证效果，我还专门认真看了官方文档，确认它的定位和能力是不是和我理解的一样：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它和以往常见语音识别方案最大的区别在于，它属于端到端一体化模型。很多传统开源方案往往是语音识别和说话人分离由两套模型分别运行，不仅流程复杂，操作步骤多，而且还容易出现时间戳错位、发言人匹配混乱等问题。而 MOSS-Transcribe-Diarize 只需要一次推理，就能同步完成语音转写、说话人区分和时序标注，在多人轮流发言、重叠发言等复杂场景下的稳定性明显更好。不过，项目本身虽然优秀，本地部署对于很多普通用户来说依然有一定门槛。为了方便大家，尤其是新手用户，我已经把项目环境、依赖和模型全部打包成了一键整合包。整合包内置了完整虚拟运行环境、适配好的 CUDA 组件以及 FFmpeg 工具，大家不需要再单独安装 Python，在离线断网环境下同样可以正常使用。双击启动 .BAT 文件后，就能自动打开 WebUI 网页；如果电脑有独立显卡，会自动启用 GPU 加速；没有独显的话，也可以直接使用 CPU 模式运行。同时我还预设了长音频转写参数，支持批量导入音频和视频文件，输出结果可以直接导出为 TXT、SRT、ASS 等多种文本和字幕格式，自媒体剪辑、课程整理、会议记录等场景都能直接套用。然后我自己也做了实际测试：有独立显卡时，峰值显存占用大约 3GB，内存占用大约 11GB，我感觉低于这个配置大概率也可以尝试运行；在 CPU 模式下，我的 I5 - 8400 CPU + 16GB 内存、无独立显卡的办公电脑也能正常运行，速度同样在可接受范围内，这基本就是常见办公电脑的配置了，用来做会议纪要转写非常合适。下面简单说一下操作流程：1.双击启动.bat然后稍等一会儿，系统就会自动在浏览器中弹出操作页面。2.正常的操作界面就是这样，然后点开高级设置。3.高级设置非常关键，很多效率提升主要都在这里。重点说几个地方，红叉子那里不要动，这是官方预设的系统提示词，除非你非常了解参数含义，否则不要随意修改！热词框：如果音频里反复出现某些冷门词汇、专业名词、人名或产品名，就把它们填在这里，这样可以减少转写错误，每个热词之间用逗号分隔即可。输出tokens框：这里可以大致理解为输出文字数量上限，并不是严格 1:1 对应实际字数，长文本或长音频建议在原有基础上多加一个 0；如果是 20 分钟以内的音频，一般不用特别调整，但音频太长时如果达到数量上限，内容可能会转写不完整。4.生成完成后页面就是这样，你还可以继续进行其他操作，右侧可以直接下载文件，一共有 4 种格式，点击即可保存。说话人标签会根据音频中的人数自动生成，比如 3 个人就会有 S03 之类的标识，然后你再根据声音判断具体是谁，把名字写上去，字幕和人物信息就能同步对应，也可以直接用于视频加字幕。下面还有字号、字幕位置、是否显示人名、说话人字幕颜色等选项，都可以根据自己的实际需求来填写和调整。最后提醒一句，如果您打算在局域网里把这个服务开放给多人一起用，目前的情况是所有生成任务都能被看到。比如张三用你的服务转写了一个文件，李四打开页面时也能看到任务记录。所以如果你准备把它当作局域网语音转写服务来使用，记得及时删除任务记录，或者自行想办法做用户隔离；如果只是自己本地单机使用，这一点可以直接忽略。