MOSS-Transcribe-Diarize整合包：本地离线语音转文字终极方案，区分说话人+时间戳一步到位，适配会议/录音场景！
核心内容：
1. 语音转文字旧方案痛点：配置高、区分说话人难、无webui界面
2. 整合包核心功能：端到端一体化、区分说话人、带时间戳、热词设置
3. 本地部署优势：一键启动、低配置适配、多格式导出支持

大家好，我是你们的小二黑。很早以前，我有个需求，我想要一个语音转文字工具，首先对配置要求要低，中文识别准确率高，带时间戳，最关键的是要区分说话人。比如某些场景：电话录音、会议纪要，对于说话人区分很重要。当时找了市面上很多开源项目比如FunASR、SenseVoice、Qwen-audio、还有Whisper，也挨个研究过本地部署，但是多多少少都有问题，要么不是原生区分说话人，要么配置要求高，要么不带webui界面，折腾来折腾去最后就放弃了，当时觉得我这个需求短期内没法实现了。

直到2026年7月6日，Moss这个大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，完美适配我的需求。先说功能，MOSS-Transcribe-Diarize官方自带webui界面，上传音频直接转文字，区分说话人，实测3人对话没问题；时间戳精准对应；还带热词设置，比如专业领域里面的冷门词汇，你填上后直接识别一劳永逸；还支持字幕调节并添加到视频等

为了验证一下效果，我仔细琢磨了一下官方文档，先确定一下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，不仅步骤繁琐，还很容易出现时间戳错位、发言人匹配混乱。而 MOSS-Transcribe-Diarize 只需要一次推理，同步完成转写、人声区分、时序标注，重叠发言、多人交替对话场景稳定性要好不少。还是老情况，项目好归好，本地部署起来肯定需要门槛，为了方便咱们小白用户，我已经将项目的环境、依赖、模型都打包制作了一键整合包。

整合包内置完整虚拟运行环境、适配好的 CUDA 组件与 FFmpeg 工具，不需要大家单独安装 Python，断网环境下同样能够正常使用。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 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。然后个人实测，峰值显存占用是3GB左右，内存11GB左右，这是有独立显卡的情况，个人觉得低于这种情况一样运行；然后CPU模式，大家可以对号入座，我I5-8400cpu+16GB内存无显卡能正常运行，速度能接受，这个应该就是一般办公电脑的配置了吧，完美适配上面说的会议纪要转写场景。下面简短的说一下操作流程：1.双击 启动.bat

然后等一会就自动弹窗到浏览器

2.正常的操作页面就这样，然后点开高级

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：比如冷门词汇但是在这段音频里总出现，你写这里，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，到底数量上限就不转写了

4生成结束就这样，可以继续操作右边能下载文件，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，然后字幕就同步了，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。

最后说一句，如果您想局域网开服务给大家用，目前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跟我要整合包以供体验，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