当前位置：首页 > news >正文

MOSS-Transcribe-Diarize输出格式详解：如何解析带说话人标签的时间戳文本

news 2026/7/11 14:05:27

MOSS-Transcribe-Diarize输出格式详解：如何解析带说话人标签的时间戳文本

【免费下载链接】MOSS-Transcribe-Diarize项目地址: https://ai.gitcode.com/hf_mirrors/OpenMOSS-Team/MOSS-Transcribe-Diarize

MOSS-Transcribe-Diarize是一款强大的语音转写与说话人分离工具，能够自动识别音频中的不同说话人并生成带时间戳的转录文本。本文将详细介绍其输出格式结构，帮助新手用户轻松解析包含说话人标签和时间戳的转录结果。

输出格式基本结构

MOSS-Transcribe-Diarize的输出文本采用结构化格式，主要包含三要素：时间戳、说话人标签和转录内容。典型输出示例如下：

[0.11] [S01] Good morning! [1.03] [S02] Morning, guys! [1.34] [S03] Hi, everyone!

时间戳：方括号中的数字（如[0.11]）表示该段语音开始的时间（单位：秒）
说话人标签：格式为[SXX]，其中XX为说话人编号（如[S01]表示第一个说话人）
转录内容：紧跟标签后的文本为语音转写内容

时间戳解析规则

时间戳的生成基于模型对音频流的精准分析，在processing_moss_transcribe_diarize.py中通过_audio_span_ids方法实现。时间戳具有以下特点：

时间精度为小数点后两位（百分之一秒）
相邻语句的时间戳差值代表前一语句的结束时间
支持自定义时间标记间隔，默认每2秒生成一个时间标记（可通过time_marker_every_seconds参数调整）

说话人标签系统

说话人标签是MOSS-Transcribe-Diarize的核心功能之一，系统会自动为不同说话人分配唯一标识符：

标签格式固定为[SXX]，XX从01开始递增
同一说话人在整个音频中保持相同标签
支持最多识别100个不同说话人（编号01-99）
标签生成逻辑与音频特征提取紧密相关，通过modeling_moss_transcribe_diarize.py中的音频特征注入机制实现

模型架构与输出关系

理解输出格式需要了解模型的基本工作原理。MOSS-Transcribe-Diarize采用Whisper编码器+Qwen3解码器的混合架构：

如图所示，音频首先通过Whisper编码器转换为特征向量，经过时间合并和VQAdaptor处理后，与文本嵌入结合输入到语言模型。这种架构使得模型能够同时处理语音内容和说话人特征，从而生成带有说话人标签的时间戳文本。

实用解析技巧

提取特定说话人内容

要筛选特定说话人的所有语句，可以使用简单的文本过滤：

# 提取S01的所有发言 grep "\[S01\]" transcription.txt

计算说话人时长

通过时间戳差值可计算每个说话人的总发言时长：

import re def calculate_speaker_duration(text): timestamps = re.findall(r'\[(\d+\.\d+)\]', text) durations = {} for i in range(len(timestamps)-1): speaker = re.search(r'\[S\d+\]', text.split(timestamps[i])[1]).group() start = float(timestamps[i]) end = float(timestamps[i+1]) durations[speaker] = durations.get(speaker, 0) + (end - start) return durations

转换为SRT字幕格式

可将输出转换为标准SRT字幕格式，便于视频编辑：

def convert_to_srt(text): lines = text.strip().split('\n') srt = [] for i, line in enumerate(lines): time = re.search(r'\[(\d+\.\d+)\]', line).group(1) speaker = re.search(r'\[S\d+\]', line).group() content = line.split(speaker)[1].strip() start = f"{int(float(time)//3600):02d}:{int((float(time)%3600)//60):02d}:{int(float(time)%60):02d},{int((float(time)%1)*1000):03d}" # 简化处理：假设每个句子持续3秒 end = f"{int((float(time)+3)//3600):02d}:{int(((float(time)+3)%3600)//60):02d}:{int((float(time)+3)%60):02d},{int(((float(time)+3)%1)*1000):03d}" srt.append(f"{i+1}") srt.append(f"{start} --> {end}") srt.append(f"{speaker} {content}\n") return '\n'.join(srt)