复旦邱锡鹏团队发布的MOSS-Transcribe-Diarize语音模型，在多人说话场景的语音转录上取得突破性进展。该模型不仅性能超越GPT-4o、Gemini等国际顶尖模型，更解决了语音识别领域长期存在的多人对话转录难题，为复杂场景下的语音处理提供了全新解决方案。
智能速览
MOSS-Transcribe-Diarize性能超越GPT-4o、Gemini等模型
支持多人说话场景的语音转录，实现听声辩人
支持128K长上下文，可处理90分钟音频
在多个语音基准测试中取得SOTA成绩
采用统一端到端多模态架构设计
目前API接口限时免费开放
精华内容
语音大模型赛道一直被GPT-4o、Gemini等国际巨头垄断，复旦模思智能的这款新模型如何在技术上实现超越？它又将为语音识别领域带来怎样的变革？
性能超越
MOSS-Transcribe-Diarize在多项关键指标上实现了对GPT-4o、Gemini等模型的超越。在AISHELL-4、Podcast、Movies等多个语音基准测试中，该模型均取得业界最优（SOTA）表现。
特别是在影视剧这种最复杂的语音场景下，面对背景音嘈杂、多人同时说话、频繁插话等挑战，MOSS-Transcribe-Diarize依然保持稳定输出。其字错误率（CER）与最优排列字错误率（cpCER）均为业内最低，说话人分离性能（Δcp指标）也达到最佳水平。
技术突破
MOSS-Transcribe-Diarize采用统一的音频-文本多模态架构，将多说话人的声学表示投影到预训练文本LLM的特征空间中。这种设计使得模型在单一框架内能够联合建模词汇内容、说话人归属和时间戳预测。
模型在一个推理过程中直接输出带有[S01]、[S02]标签和精确时间戳的文本，利用语义信息辅助说话人识别，大幅提高准确率。训练数据采用’虚实结合’策略，结合真实世界对话音频和合成数据，增强了对重叠语音等复杂场景的鲁棒性。
长音频处理
该模型支持128K长上下文窗口，可一次性处理长达90分钟的音频。这一能力在业内具有显著优势。
相比之下，GPT-4o受限于音频输入长度，无法完成AISHELL-4等长音频的完整转录；Gemini 3 Pro则无法生成符合既定格式的有效输出。MOSS-Transcribe-Diarize能够稳定输出完整的带有说话人及时间戳的语音转录结果，解决了长音频处理这一行业痛点。
实战验证
在实际测试中，MOSS-Transcribe-Diarize对经典’华强买瓜’场景的转录效果令人惊艳。AI模型能够清晰识别不同说话人，准确记录每个人所说的内容。
不论是嘈杂的环境音、人物的方言俚语，还是因情感波动产生的喊叫、哭泣，都不会影响模型的判断。这种在复杂真实场景下的稳定表现，验证了技术的实用性和可靠性。
产业价值
MOSS-Transcribe-Diarize攻克了复杂日常多人对话场景的语音识别，对多模态AI的实际落地具有重要意义。该技术可广泛应用于会议记录、访谈转录、影视字幕制作等场景。
模思智能作为专注情境智能的多模态大模型公司，已开源了MOSS-TTS对话语音合成模型、MOSS-Speech端到端语音大模型等一系列前沿技术成果。这些技术共同构建了完整的语音交互生态系统。
模思智能的MOSS-Transcribe-Diarize不仅实现了技术突破，更展现了中国AI团队在语音大模型领域的创新能力。随着API接口的开放，这项技术将如何改变现有的语音交互体验？在多模态智能的产业化进程中，它又会扮演怎样的角色？
