MOSS-Transcribe-Diarize 命令行批量处理：mtd-subtitle 导出 SRT/ASS/JSON 完整指南-平芜编程栈

MOSS-Transcribe-Diarize 命令行批量处理：mtd-subtitle 导出 SRT/ASS/JSON 完整指南

【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

会议录音、播客、访谈视频……面对几小时的多说话人音频，手动整理字幕几乎是噩梦。MOSS-Transcribe-Diarize是开源的 0.9B 端到端音频理解模型，支持 50+ 语言，能一次性完成长音频转写、说话人分离（S01、S02…）、时间戳标注和声学事件感知；其配套命令行工具mtd-subtitle则把这一能力封装成一条命令：输入一个音视频文件，自动产出SRT / ASS / JSON字幕文件，还能用 FFmpeg 把字幕直接烧录进 MP4。本文就是它的批量处理完整指南，看完即可上手。

3 步装好 mtd-subtitle 命令

整个项目通过 pip 安装，安装后即可使用mtd-subtitle和mtd-subtitle-web两个命令（入口定义见 pyproject.toml）：

git clone https://gitcode.com/gh_mirrors/mo/MOSS-Transcribe-Diarize.git cd MOSS-Transcribe-Diarize uv venv --python 3.12 .venv source .venv/bin/activate uv pip install -e ".[torch-runtime]" --torch-backend=auto

💡 有 NVIDIA GPU 的同学建议再装uv pip install flash-attn，长音频推理速度明显更快。命令行入口位于 moss_transcribe_diarize/app/cli.py。

mtd-subtitle 工作流程：一条命令完成转写

模型的输入是原始音频，输出是带时间戳和说话人标签的紧凑转写流（如[0.48][S01]大家好[1.66]），架构图如下：

mtd-subtitle 的完整工作流只有 4 步（逻辑见 cli.py）：

转写：加载模型，把音频转成带[Sxx]说话人标签和时间戳的文本流
解析：解析转写流为结构化字幕片段（时间、说话人、文本）
导出：同时写出raw_transcript.txt、segments.json、subtitle.srt、subtitle.ass四个文件
烧录（可选）：加--render时调用 FFmpeg 生成带硬字幕的output.mp4

命令结束后，终端会打印一份 JSON 摘要：输出目录、片段数量、各文件路径、token 数和耗时，方便直接接入脚本。

一键批量处理命令与参数详解

最小可用命令：

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

常用参数一览：

参数	作用	默认值
第一个位置参数	输入音频或视频路径（mp4 / wav / m4a 等）	必填
`--out-dir`	输出目录，不存在会自动创建	自动按时间戳生成`runs/cli_…`
`--model`	模型路径或 Hub 模型 ID	本地`pretrained/`目录
`--backend`	推理后端：`hf`（本地）或`vllm`（远程服务）	`hf`
`--device`/`--dtype`	计算设备与精度，`auto`自动选择 GPU	`auto`/`bf16`
`--max-new-tokens`	最大生成 token 数，长音频务必调大	2048
`--decoding`	`greedy`（稳定）或`sample`（配合`--temperature`）	`greedy`
`--prompt`	自定义提示词，可在默认转写提示后追加"热词提示：xxx"提升专名准确率	默认转写+分离提示
`--render`	追加：用 FFmpeg 烧录 ASS 字幕生成`output.mp4`	关闭

批量处理很简单——CLI 一次处理一个文件，用 shell 循环即可跑完整个目录：

for f in audio/*.wav; do mtd-subtitle "$f" --model OpenMOSS-Team/MOSS-Transcribe-Diarize \ --out-dir "runs/$(basename "${f%.*}")" --max-new-tokens 16384 done

经验值：1 小时长音频建议--max-new-tokens设为 16384~65536，否则解码器可能在转写完之前就停止。

SRT / ASS / JSON 三种字幕格式详解

📄 segments.json —— 结构化数据源

JSON 导出由 subtitle/export.py 生成，每个片段包含id、start、end、speaker、text五个字段，适合后续程序化处理、翻译或按说话人切分音频。

🎞 subtitle.srt —— 通用外挂字幕

SRT 是兼容性最好的字幕格式，几乎所有播放器都支持。mtd-subtitle 默认在每行前加上说话人前缀（如S01: 大家好），片段模型定义见 subtitle/models.py。

🎨 subtitle.ass —— 带说话人配色的高级字幕

ASS 导出的亮点：

按说话人自动配色：为 S01、S02… 各生成独立样式，颜色从调色板循环取用
自动探测视频分辨率：用 ffprobe 读取输入视频宽高写入PlayResX/PlayResY，字号按高度自适应，纯音频输入则回退 1920×1080
重叠台词自动分行道：时间轴重叠的台词会上下错开显示，不会互相覆盖（逻辑见 subtitle/layout.py）

烧录到视频时，FFmpeg 命令由 app/ffmpeg.py 中的burn_ass_subtitles构造。

进阶：接入 vLLM 后端处理更大批量

如果本地显存有限，或想用推理服务集中跑大批量文件，可以把模型部署为 vLLM 服务后，让 CLI 走远程后端：

mtd-subtitle input.mp4 \ --backend vllm \ --vllm-base-url http://127.0.0.1:8000/v1 \ --max-new-tokens 65536

远程实现位于 app/vllm_runner.py，它会自动把任意格式的输入转成 WAV 字节流，通过 OpenAI 兼容的/v1/audio/transcriptions接口上传，本地无需加载模型。配合 vLLM 的高并发能力，这是吞吐最大的批量方案。

常见问题与性能技巧（避坑清单）

--render报错提示需要 FFmpeg：系统 PATH 中必须同时存在ffmpeg和ffprobe，先安装 FFmpeg 再重试
转写在视频一半处戛然而止：--max-new-tokens太小，调大后重跑
专有名词总写错：用--prompt在默认提示后追加"热词提示：产品名, 人名"
GPU 长音频显存不够：安装flash-attn；CLI 会自动按 FlashAttention-2 → SDPA 的优先级选择注意力后端（见 app/model_runner.py）
想要可视化界面：改用mtd-subtitle-web --model OpenMOSS-Team/MOSS-Transcribe-Diarize --port 7860，打开浏览器即可上传、审阅并下载 JSON/SRT/ASS（入口见 app/web_cli.py）

总结

需求	推荐做法
单个文件快速出字幕	`mtd-subtitle 文件 --out-dir runs/x`
一个目录批量跑	shell for 循环 + 独立`--out-dir`
大批量、省显存	`--backend vllm`接入 vLLM 服务
直接出成品视频	追加`--render`

MOSS-Transcribe-Diarize 用"转写+分离+时间戳"一次成型的设计，省掉了传统 ASR+VAD+说话人分离多模型拼接的烦恼；而 mtd-subtitle 把整条流水线压缩成一行命令，配合 JSON 摘要输出，天然适合写进自动化脚本。想要微调适配自己的音频域，可继续参考 FINETUNING.md。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

MOSS-Transcribe-Diarize 命令行批量处理：mtd-subtitle 导出 SRT/ASS/JSON 完整指南