測試設定與硬體環境

此次測試使用 MOSS-Transcribe-Diarize 0.9B 模型，該模型設計為在單一推理過程中同時輸出轉錄文字、時間戳與說話者標籤。執行平台為 M5 Pro MacBook Pro，配備 64 GB 記憶體，並透過 Apple Silicon 的 MPS（Metal Performance Shaders）後端調用 GPU 進行運算。

測試資料取自 AMI Meeting Corpus 測試集的第 12 行音訊，長度為 17 分 29 秒（1,049 秒），包含四位說話者的頭戴式麥克風混合錄音。AMI 資料集採用 CC BY 4.0 授權。

執行參數嚴格遵循模型 README 提供的 transformers 程式碼範例，設定為 fp32 精度、SDPA 注意力機制與貪婪解碼（greedy decoding）。過程中未啟用熱詞（hotwords）、語音活動偵測（VAD）或其他後處理步驟。

效能數據與準確度評估

模型處理上述 1,049 秒的音訊檔案共耗時 714 秒，換算後約為即時速度的 0.68 倍（real-time factor）。在說話者辨識方面，若採用標準的 0.25 秒容錯範圍（collar）並進行最佳說話者對應映射，計算出的說話者混淆率僅為 0.08%，意味著絕大多數轉錄內容都被正確歸因到對應的人物。

然而，整體對話錯誤率（Diarization Error Rate, DER）在相同條件下為 15.4%。DER 是一個綜合指標，涵蓋了漏字、多字以及說話者標記錯誤，這顯示雖然說話者身分辨識準確，但在時間戳對齊或文字轉錄的完整性上仍有改進空間。

測試結果顯示模型具備處理重疊說話（overlapping speech）的能力。在生成的 317 個語音片段中，有 87 個片段的開始時間早於前一個片段的結束時間，且這些重疊片段均被正確標記為不同的說話者 ID，表明模型能將打斷或同時說話的情況分離並標註。

原始輸出範例與限制說明

使用者提供了未經修改的原始輸出開頭部分，格式為時間戳加上說話者標籤（如 S01, S02）後接轉錄文字。例如：[10.88][S01]Are we we're not allowed to dim the lights... 以及 [29.04][S03]Is she gonna answer me or not? 緊接著 [29.84][S01]Yeah, I've got.，顯示模型確實捕捉到了說話者 S03 與 S01 之間的時間重疊。

此次評估僅針對「誰說了什麼」以及「何時說」進行評分，因為所使用的 AMI 參考標準主要涵蓋這些資訊。這不代表對轉錄文字內容的語法或語義準確性進行了全面評估。

該測試為單一會議案例，結果可能無法直接推廣至所有類型的會議錄音或硬體配置。使用者在貼文中也呼籲其他擁有 Apple Silicon 設備的使用者，若能提供 pyannote 3.1 搭配 Whisper 模型在相同 AMI 測試檔案上的 DER 與執行時間數據，將有助於進行更直接的效能比較。