语音转文字终极方案 MOSS-Transcribe-Diarize整合包分享 本地离线整合包 区分说话人带时间戳一步到位

MOSS-Transcribe-Diarize解决核心痛点

作者长期需要语音转文字工具：配置要求低、中文识别准确率高、带时间戳、最关键的是能区分说话人，适用于电话录音、会议纪要等场景。此前尝试FunASR、SenseVoice、Qwen-audio、Whisper等开源项目，均存在非原生说话人区分、配置门槛高、无WebUI等问题，最终放弃。

端到端一体化模型优势

2026年7月6日，MOSS开源MOSS-Transcribe-Diarize 0.9B模型，支持区分说话人、带时间戳、主打中英文。该模型为端到端一体化设计，一次推理同步完成转写、说话人区分与时序标注；相较常见方案（语音识别与说话人区分两套模型分离运行），避免了时间戳错位、发言人匹配混乱问题，在重叠发言、多人交替对话场景下稳定性更好。

功能与实测表现

官方自带WebUI界面，上传音频即可直接转文字并区分说话人，实测3人对话无误；时间戳精准对应；支持热词设置（填入专业冷门词汇可提升识别准确率）；支持字幕调节并添加到视频。峰值显存占用约3GB、内存约11GB（有独显）；CPU模式下，i5-8400+16GB内存无显卡可正常运行，速度可接受。

本地一键整合包特性

为降低部署门槛，作者制作本地离线一键整合包：内置完整虚拟运行环境、适配好的CUDA组件与FFmpeg工具，无需单独安装Python，断网环境下亦可使用；双击启动.BAT文件自动拉起WebUI，显卡自动启用GPU加速，无独显时可切换CPU模式；预设长音频参数，支持批量导入音视频，结果可导出TXT、SRT、ASS等多种字幕格式。

操作流程与关键设置

操作流程为：双击启动.BAT → 自动弹出浏览器WebUI → 点开“高级”设置 → 配置热词（用逗号隔开）、输出tokens（长音频需调高）等参数 → 生成后下载TXT/SRT/ASS/JSON四种格式。说话人按音频人数自动生成（如S03），用户根据声音判断身份后填写，字幕即同步可用；右侧支持字号、字位置、显示人名、说话人颜色等自定义设置。

局域网部署注意事项

若在局域网开放服务，当前版本所有用户可见彼此生成任务记录（如张三的转写任务李四也能看到）。如需对外提供服务，须手动删除任务或实现用户隔离；个人单机使用则无需处理。