MOSS-Transcribe-Diarize字幕工作台实战：视频上传、字幕校对到MP4烧录一站式流程

MOSS-Transcribe-Diarize字幕工作台实战：视频上传、字幕校对到MP4烧录一站式流程

【免费下载链接】MOSS-Transcribe-DiarizeA 0.9B model for long-form transcription in 50+ languages with speaker diarization, timestamps, and acoustic event awareness项目地址: https://gitcode.com/gh_mirrors/mo/MOSS-Transcribe-Diarize

MOSS-Transcribe-Diarize 是一款开源的 0.9B 音频理解模型，其内置的字幕工作台（MOSS Subtitle Studio）让你无需拼接多套工具：上传视频或音频 → 自动转写并分离说话人 → 在线逐句校对 → 一键导出 SRT/ASS 或直接烧录成带字幕的 MP4。本文用一次真实工作流，带你从零跑通这条一站式字幕流水线。

认识 MOSS 字幕工作台：转写与说话人分离一步到位

传统做法是"ASR 转写 + VAD 切分 + 说话人分离"三套系统拼接，时间戳经常对不齐。而 MOSS-Transcribe-Diarize 在一次推理中同时输出带时间戳和说话人标签的转写结果，标准格式为：

[0.48][S01]大家好，欢迎来到本期访谈[3.21][3.55][S02]谢谢，我们开始吧[6.90]

每个片段都有起止秒数和[S01]、[S02]等说话人标签，天然就是一份子字幕（subtitle）数据源。它支持 50+ 种语言，面向会议、访谈、播客、讲座等长时多说话人场景。

整个 Web 应用由一个 FastAPI 服务驱动，代码入口在 web_cli.py，路由定义在 server.py；字幕格式转换（SRT/ASS/JSON）则在 subtitle/export.py 中实现。

一键安装与启动步骤：5 分钟部署本地字幕工作台

⚠️ 烧录 MP4 功能需要系统已安装ffmpeg与ffprobe（在 PATH 中可访问即可，检测逻辑见 ffmpeg.py）。

第 1 步：获取代码

git clone https://gitcode.com/gh_mirrors/mo/MOSS-Transcribe-Diarize cd MOSS-Transcribe-Diarize

第 2 步：准备干净的 Python 3.12 环境并安装

uv venv --python 3.12 .venv source .venv/bin/activate uv pip install -e ".[torch-runtime]" --torch-backend=auto

第 3 步：启动字幕工作台

mtd-subtitle-web \ --model OpenMOSS-Team/MOSS-Transcribe-Diarize \ --host 127.0.0.1 \ --port 7860

浏览器打开http://127.0.0.1:7860即可进入界面。界面支持简体中文与英文，首次会跟随浏览器语言，也可通过页头语言选择器即时切换并记住偏好。

💡 如果你已有部署好的 vLLM 服务，可加--backend vllm --vllm-base-url http://127.0.0.1:8000/v1复用远程推理，避免本地重复加载模型。

上传视频，自动转写并分离说话人

点击左侧导入媒体按钮，选择本地文件即可。支持的格式包括mp4 / mov / mkv / wav / mp3 / m4a等常见音视频类型。

上传后，任务状态会依次经过：

界面右上角的"推理参数"折叠区可以调整Prompt、输出 tokens、上下文上限、解码方式（greedy/sample）、温度——默认值不用改，只有长音频被截断时才需要调大"输出 tokens"后点击重新转写。任务列表支持随时删除或新建任务，后台由 jobs.py 管理任务生命周期。

字幕校对界面详解：逐句改词、改名、调样式

转写完成后进入三栏工作台：

① 左侧：视频预览 + 字幕表格

• 上方视频播放器会随播放进度高亮当前字幕，方便逐句听音对词；
• 下方表格列出每个片段的开始时间 / 结束时间 / 说话人 / 字幕文本，全部可直接点击编辑。

② 右侧检查器（Inspector）

• 说话人名称：把[S01]映射成"主持人""嘉宾 A"等真实名字，导出和烧录时都会自动替换；
• 样式组：字号（18–96）、底边距、是否显示说话人、按说话人分色；
• 改完记得点保存修改，状态栏会显示"已保存"。

③ 多说话人同框不打架

当两个片段时间重叠时，layout.py 的assign_overlap_lanes会自动为字幕分配"车道"，上下错开排列，避免互相遮挡。

导出字幕与 MP4 烧录：最后一公里

校对完成后，右侧输出区域会生成 4 份文件，点击下载即可：

烧录 MP4：点击醒目的烧录视频按钮，后台调用 FFmpeg 以libx264 -crf 18高质量编码，音频流直接复制，几秒钟内产出output.mp4（命令构造见 ffmpeg.py 的burn_ass_subtitles）。如果页面提示"FFmpeg 不可用"，安装好 ffmpeg/ffprobe 后刷新即可，状态徽标会实时显示检测结果。

所有产物统一保存在runs/目录下，按任务分文件夹，方便归档。

进阶：命令行批量烧录，不用打开网页

批量处理视频时，一条命令就能完成"转写 → 导出 → 烧录"全流程：

mtd-subtitle /path/to/input.mp4 \ --model OpenMOSS-Team/MOSS-Transcribe-Diarize \ --out-dir runs/example \ --render

该命令对应 cli.py，--render开启后会同时输出raw_transcript.txt、segments.json、subtitle.srt、subtitle.ass和烧录好的output.mp4，并在终端打印一份 JSON 摘要。适合放进脚本做批量流水线。

常见问题速查

• 长音频字幕末尾缺失？界面会提示"可能截断"，把"输出 tokens"从 2048 调大（如 8192）后点击重新转写即可；
• 说话人颜色怎么调？样式组里把"颜色"从"统一"切到"按说话人"，不同说话人会自动分配 8 组预置色（见 export.py 的SPEAKER_COLORS）；
• 专业术语识别不准？在推理 Prompt 末尾追加"热词提示：热词1, 热词2"，可显著提升专有名词准确率；
• 界面语言切换？页头下拉框选"中文/English"，选择会被记住；中英文文案维护在 locales/。

小结

MOSS-Transcribe-Diarize 的字幕工作台把"转写、校对、导出、烧录"压缩进一个本地网页：模型端一次性输出时间戳 + 说话人标签，界面端提供可视化逐句校对与样式定制，FFmpeg 完成最后的 MP4 压制。对会议记录、访谈节目、播客剪辑等场景来说，这套流程让字幕生产从"多工具拼接"变成"一条命令、一个页面"。

【免费下载链接】MOSS-Transcribe-DiarizeA 0.9B model for long-form transcription in 50+ languages with speaker diarization, timestamps, and acoustic event awareness项目地址: https://gitcode.com/gh_mirrors/mo/MOSS-Transcribe-Diarize