OpenMOSS、音声認識・話者分離モデル「MOSS-Transcribe-Diarize 0.9B」を公開──単一パスで高精度な書き起こしを実現
ASRと話者分離を統合したエンドツーエンドモデルにより、最大90分の音声をタイムスタンプ付きで構造化出力可能。
リリース: 2026-07-09 · 読了 4 分記事の要約
1. 核心（What）
- OpenMOSSが、話者分離（Diarization）と音声認識（ASR）を統合した「MOSS-Transcribe-Diarize 0.9B」を公開。
- 最大90分の長尺音声に対応し、タイムスタンプと匿名話者ラベル（[S01]等）を単一パスで生成。
- 50以上の言語をサポートし、INTERSPEECH 2026のMLC-SLM Challengeで1位を獲得。
- Apache License 2.0で公開され、vLLMおよびSGLang Omni経由での推論サービングに対応。
2. 影響（Why）
- パイプラインの簡素化: 従来のASRと分離モデルを連結する構成から、単一モデルへの統合により、推論遅延と実装の複雑さを大幅に低減できる。
- 国内SaaSへの実装インパクト: 議事録自動作成や動画解析を提供する国内のVertical SaaS事業者は、既存のWhisperベースの多段パイプラインを本モデルへ置き換えることで、推論コストと精度を同時に改善できる。
3. 根拠・詳細（How）
- 推論アーキテクチャ: Qwenマルチモーダル形式を採用し、processor.apply_chat_templateで音声プレースホルダーを処理。vLLM nightly buildまたはSGLang Omniを使用してOpenAI互換の/v1/audio/transcriptionsエンドポイントとして提供可能。
- 評価指標とデータセット: CER（文字誤り率）、cpCER（連結最小置換文字誤り率）、Delta-cpの3指標で評価。INTERSPEECH 2026のMLC-SLM Challengeにおいて14言語のタスクで1位を記録。
4. 展望・課題（Next）
- 実装上の注意点: カスタムTransformersコードを使用するため、モデル読み込み時にtrust_remote_code=Trueの指定が必須。