影片筆記：MOSS 0.9B ASR 模型测评：多说话人转录打轴毫无压力?!

<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->

⚠️ 全文快速校讀發現待確認修正

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

• 待修正：⚠️ 全文快速校讀：已套用暫定修正，請確認（segment=1 已先套用暫定修正：今天我們帶來MOS團隊出品的MOS Transcribe Diaryce 模型。 → 今天我們帶來MOS團隊出品的MOS Transcribe Diarize 模型。；segment=8 已先套用暫定修正：不過像Mion優化器這種出現率比較低的名詞,就識別稍差一點。 → 不過像Adam優化器這種出現率比較低的名詞,就識別稍差一點。）
• 待修正：逐字稿可先使用，但有待校正清單（segment=38 adjacent_duplicate: 與前一段完全重複，可能是滾動字幕或 ASR 重複；segment=9 rapid_semantic_review: 全文速讀上下文判斷；尚未回聽或交叉比對）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

⚠️ 重要警告：逐字稿辨識疑點與校正待辦

根據可讀性檢核結果，以下片段存在潛在識別錯誤或語意截斷，不得視為確定事實。請在參考時保持謹慎，並優先查證原始影片：

* Segment 38: adjacent_duplicate — 與前一段完全重複，可能是滾動字幕或 ASR 重複。

* Segment 9: rapid_semantic_review — 全文速讀上下文判斷；尚未回聽或交叉比對。

* Segment 18: rapid_semantic_review — 全文速讀上下文判斷；尚未回聽或交叉比對。

* Segment 11: rapid_semantic_review — 上下文無明顯連接詞或後續解釋，可能是 ASR 截斷或說話人語無倫次。

* Segment 12: rapid_semantic_review — 前文提到 'OpenCloud'，此處再次出現，需確認是否為特定軟件名稱或誤識。

* Segment 13: rapid_semantic_review — 明顯的語意截斷，缺少謂語或賓語。

* Segment 14: rapid_semantic_review — 明顯的語意截斷。

* Segment 15: rapid_semantic_review — 明顯的語意截斷。

一句話總結

本影片測試了由 MOS 團隊出品的 MOSS 0.9B ASR 模型（筆記中亦提及 MOS Transcribe Diarize），通過單人會議、多人會議及遊戲錄屏三個場景，驗證了該小參數量模型在多說話人分離（Diarize）與語音轉文字（ASR）任務上的表現，結論認為其整體表現優異，雖有專業名詞識別瑕疵，但瑕不掩瑜。

核心重點

1. 模型規格與定位：

• 模型名稱：MOSS 0.9B ASR / MOS Transcribe Diarize。
• 參數量：僅 0.9B，屬於小模型。
• 核心優勢：在保持小體積的同時，具備處理多說話人場景的能力。

1. 三大測試場景表現：

• 單說話人會議（約 40 分鐘）：
• 識別精度與打軸準確率較高。
• 能識別部分專業名詞（如 Attention Residual）。
• 對低頻名詞（如 Adam 優化器）識別稍差。
• 多說話人會議（35 分鐘，5 人）：
• 能基本正確分隔五個說話人。
• 存在專業名詞混淆現象（例如 OpenCL 被誤識為 OpenCloud，Harness 被誤識為 Hardest）。
• 整體理解受影響不大。
• 遊戲錄屏（12 人）：
• 能穩定分隔說話人。
• 後期出現標記錯誤：S13 和 S14 兩個多餘說話人標記，實為 S5 和 S6 的重複識別。

1. 功能與服務：

• 官方提供 WebUI，支持方便的導出功能及特定格式設置。
• 提供 Pro 版本及 API 服務。
• 獲取途徑包括官網、簡介及置頂評論。

1. 最終評價：

• 客觀指標顯示該小模型表現優異，甚至超越部分大廠閉源模型。
• 社區反饋正面，認為考慮到模型體積，整體表現瑕不掩瑜。

詳細大綱

1. 模型介紹

• 出品方：MOS 團隊。
• 模型名稱：MOS Transcribe Diarize（或稱 MOSS 0.9B ASR）。
• 參數量：0.9B。
• 核心能力：適配多說話人場景。

2. 應用樣例演示

• 樣例一：單說話人會議
• 時長：接近 40 分鐘。
• 表現：識別精度與打軸準確率較高。
• 名詞識別細節：
• 能識別 "Attention Residual"。
• "Adam 優化器" 識別稍差。
• 樣例二：多說話人會議
• 時長：35 分鐘。
• 人數：5 人。
• 表現：基本能對應上說話人。
• 缺陷：專業名詞混淆。
• OpenCL 轉入成 OpenCloud。
• Harness 轉入成 Hardest。
• 樣例三：遊戲錄屏
• 人數：12 人。
• 表現：穩定分隔開來。
• 缺陷：後期出現 S13 和 S14 兩個多餘說話人標記。
• 註解：此前已被識別為 S5 和 S6。

3. 功能與服務

• WebUI：提供方便的導出功能，支持設置特定格式。
• Pro 版本：性能更強。
• 服務方式：支持在線使用或調用 API。
• 獲取途徑：官網、簡介及置頂評論。

4. 評價與結論

• 客觀指標：小模型表現優異，甚至能幹過許多大廠必源模型（疑點：必源）。
• 社區反饋：其他創作者給予正面評價。
• 總結：瑕不掩瑜，歡迎使用。

工具 / 模型 / 名詞整理

• 模型/產品：
• MOSS 0.9B ASR
• MOS Transcribe Diarize
• MOS 團隊
• WebUI
• Pro 版本
• API
• 技術/專業名詞：
• Attention Residual
• Block Attention Residual
• Adam 優化器
• OpenCL
• OpenCloud
• Harness
• Hardest
• Skills
• 其他：
• S13, S14, S5, S6（說話人標記 ID）
• 阿婆主（疑點：需查證是否為特定稱呼）

操作流程整理

1. 準備測試素材：

• 準備單說話人會議錄音（約 40 分鐘）。
• 準備多說話人會議錄音（35 分鐘，5 人）。
• 準備遊戲錄屏錄音（12 人）。

1. 運行模型：

• 使用 MOS Transcribe Diarize (0.9B) 模型進行處理。

1. 結果評估：

• 檢查單人會議的識別精度與打軸準確率。
• 檢查多人會議的說話人分離情況及專業名詞識別準確性。
• 檢查遊戲錄屏中的說話人標記是否出現重複或錯誤（如 S13/S14 問題）。

1. 功能使用：

• 通過 WebUI 查看結果。
• 根據需求導出特定格式文件。
• 如需更高性能，可考慮 Pro 版本或 API 服務。

值得注意的限制或風險

1. 專業名詞識別偏差：

• 模型對低頻或特定領域名詞識別能力有限（如 Adam 優化器）。
• 存在同音或形似名詞混淆風險（OpenCL vs OpenCloud, Harness vs Hardest）。

1. 多說話人標記穩定性：

• 在複雜場景（如 12 人遊戲錄屏）後期，可能出現說話人標記重複或錯誤分配（S5/S6 被錯誤標記為 S13/S14）。

1. 小模型性能邊界：

• 雖然表現優異，但作為 0.9B 小模型，其性能上限受限於參數量，需對比大廠閉源模型時需客觀看待差異。

逐字稿辨識疑點

• MOS 團隊：需查證該團隊或組織的正式中文或英文全稱。
• MOS Transcribe Diarize：需查證該模型名稱是否準確，或是否為 "MOS-Transcribe-Diarize" 或其他格式。
• 必源模型：逐字稿中出現「大廠必源模型」，疑點為「必源」是否為「閉源」的聽寫錯誤，但依規則標記為需查證，不直接更正。
• OpenCloud：逐字稿中提到「OpenCL 轉入成 OpenCloud」，需查證此處是否為模型輸出結果的記錄，或口誤。
• Hardest：逐字稿中提到「Harness 轉入成 Hardest」，需查證此處是否為模型輸出結果的記錄，或口誤。
• Skills：在討論多說話人場景時提到「隨著像 Skills 啊或者 Harness 這些」，需查證「Skills」是否為特定專有名詞或口誤。
• S13 和 S14：需查證此處是否為說話人標記（Speaker ID）的具體代號。
• 阿婆主：需查證此處是否為對創作者/UP主的特定稱呼或口誤。
• Segment 9, 11, 12, 13, 14, 15, 18, 38：根據檢核清單，這些片段存在語意截斷、重複或上下文連接問題，建議回聽原始音頻以確認內容。

可延伸追問

1. MOS 團隊的官方背景及 MOS Transcribe Diarize 模型的具體技術架構是什麼？
2. 在單人會議中，如何進一步優化對 "Adam 優化器" 等低頻名詞的識別？
3. 多說話人會議中，OpenCL 誤識為 OpenCloud 的原因是什麼？是否有詞典或後處理機制可以修正？
4. 遊戲錄屏場景中，S13/S14 重複標記的具體觸發條件是什麼？如何避免說話人標記的漂移或重複？
5. Pro 版本與 0.9B 基礎版在性能指標上的具體差異數據為何？
6. 該模型與目前市場上其他大廠閉源模型相比，在哪些具體指標上表現更優？