MOSS Transcribe Diarize · T8star-Aix

comfyui-MOSS-Transcribe-Diarize-T8

简体中文 | English

由 T8star-Aix 维护的 MOSS Transcribe Diarize ComfyUI V3 节点包。节点执行本地离线推理，提供单段与可恢复长音频转写、说话人编号、句/段级时间戳、真实 VAD、质量门以及 JSON/TXT/SRT/ASS 导出。推理过程使用 ComfyUI V3 原生进度接口并支持队列中断；节点界面可随 ComfyUI 在中文和英文之间切换，默认定义仍为中文。

安装

1. 克隆到 ComfyUI 的 custom_nodes：

   cd ComfyUI/custom_nodes
   git clone https://github.com/T8mars/Comfyui-MOSS-Transcribe-Diarize-T8.git comfyui-MOSS-Transcribe-Diarize-T8
   

   也可以下载 GitHub Release ZIP，并解压为同名目录。

2. 在 ComfyUI Python 环境执行 pip install -r requirements.txt。依赖清单不会安装或替换 torch、torchaudio、torchvision 或 transformers。Windows Portable 应使用 ..\..\python_embeded\python.exe -m pip install -r requirements.txt，不要误装到系统 Python。

3. 执行 python scripts/check_transformers.py；Windows Portable 对应 ..\..\python_embeded\python.exe scripts\check_transformers.py。Transformers 5.5.0–5.x 会原样保留；4.52.1–5.4 仍兼容本节点，但存在已公开安全公告，脚本会提示在确认其他节点兼容后用 requirements-transformers-v5.txt 升级到 5.15.1。

4. 在节点目录执行 python scripts/download_models.py --comfyui-root ..\..；Windows Portable 对应 ..\..\python_embeded\python.exe scripts\download_models.py --comfyui-root ..\..。也可以用 --target 指定绝对目录，或手动把固定版本模型放到 ComfyUI/models/moss_transcribe_diarize/MOSS-Transcribe-Diarize。脚本启动下载前会打印最终目标目录，无法确认 ComfyUI 根目录时会直接报错，不会把权重静默放进 custom_nodes。

5. 重启 ComfyUI，加载 example_workflows/ui 中的可视化工作流；API 调用示例位于 example_workflows/api。基础示例覆盖热词、严格重试和字幕样式，长音频示例覆盖 VAD 切分、断点续跑、质量门与环境诊断。

模型固定到 Hugging Face revision e8681d68e7042738ffca8ac8212bc8fcb1131ab8，代码审计基线固定到 OpenMOSS revision cde3c13af82c3001a21cf085d37ebc7d81e8981d。该上游提交撤销了显式 Attention 选择，因此本包的 auto 不传覆盖参数、跟随上游/Transformers 默认并记录实际结果；用户显式指定的后端失败时会直接报错，不会静默换成另一实现。加载器默认校验文件大小，可选全量 SHA-256；下载脚本会在模型目录写入仅供本机诊断的 .t8-download-report.json，不发送远程统计。

九个 V3 节点

• 模型加载器：扫描标准模型目录和 extra_model_paths.yaml 注册路径，惰性加载、精度/Attention 选择、哈希校验，并提供常驻、显存压力释放、每次释放三档策略。
• 提示词与热词：构建严格格式提示、场景预设、语言提示和专有名词热词。
• 转写与说话人分离：接收标准 AUDIO，安全下混/重采样至 16kHz，模型加载前执行 WebRTC VAD/能量预检，回传原生生成进度并响应 ComfyUI 中断；格式异常或质量风险可用更严格提示自动重试一次。
• 智能长音频：优先在 VAD 静音边界附近分片，支持重叠边界去重、全局时间轴、分片说话人命名空间、原子检查点和中断后续跑；不会把不同分片的局部 S01/S02 擅自合并。
• 转写解析与校验：检查输出格式、时间戳顺序/越界和 token 上限；缺失说话人标签的有效片段以未知 S00 保留并告警。
• 转写质量门：按尾部覆盖、未知说话人比例、重复循环、截断和格式错误输出可用性布尔值及 JSON 报告。
• 字幕样式：集中设置视频分辨率、自动/固定字号、字体、对齐、边距、描边、阴影和说话人配色。
• 字幕导出：接受可选字幕样式，支持当前分片重命名和显式的跨分片人工说话人映射，导出 JSON/TXT/SRT/ASS，可写入 ComfyUI output 目录。
• 环境诊断与模型释放：报告 Transformers/PyTorch/CUDA/显存，只释放本节点包缓存的模型。

兼容与限制

• 运行时支持 Transformers >=4.52.1,<6，并已通过 4.52.1、4.57.6、5.6.0、5.15.1 兼容测试；出于已公开安全公告，推荐使用 >=5.5.0,<6，安全修复文件固定到 5.15.1。
• Windows 10/11 x64 + NVIDIA 12GB 以上为正式目标。8-10GB 仅作为短音频兼容档；CPU FP32 仅作功能兜底，不承诺速度。
• 输出是句/段级时间戳，不是逐词时间戳。智能长音频节点会把说话人编号按分片隔离；跨分片同一人仍需通过导出节点显式人工映射。
• 静音、音乐、噪声和复杂长音频仍可能出现幻觉、提前结束或重复。VAD、严格重试和质量门用于暴露并拦截风险，不等同于人工审核或绝对准确性保证。
• 模型权重不放入 custom_nodes，由固定 revision 下载或外置共享。

本项目不是 OpenMOSS/MOSI 官方发行物。许可证与第三方声明见 LICENSE、DISCLAIMER、THIRD_PARTY_NOTICES.md。

已验证环境与正常测试

• Windows 11 x64、Python 3.12.13、PyTorch 2.8.0+cu128、Transformers 5.15.1。
• ComfyUI revision 5ab2f7a2d676c1fb7b410c22e82e2ed8f217b56c，九个 V3 节点独立注册成功；33 项自动化测试覆盖新功能与兼容路径。
• RTX 5090 Laptop 24GB，BF16，本地固定模型 revision。

| 输入时长 | 耗时 | 峰值显存 | 生成 token | 结果 | |---:|---:|---:|---:|---| | 7.66 秒 | 8.58 秒 | 1.74GB | 34 / 512 | v0.3.0 实机：WebRTC VAD 判定语音，auto 解析为 SDPA，质量门可用 | | 75 秒（智能长音频） | 21.46 秒；续跑 0.044 秒 | 1.879GB；续跑 0GB | 492 / 2048 | 2 片、检查点全量恢复；循环夹具按预期被质量门以 repeated_text 拒绝 | | 2 分钟 | 32.2 秒 | 2.33GB | 782 / 2944 | 31 段，无截断、无诊断错误 | | 5 分钟 | 96.9 秒 | 4.53GB | 2073 / 5824 | 79 段，无截断、无诊断错误 | | 10 分钟 | 282.4 秒 | 11.606GB | 4184 / 10624 | 157 段，覆盖至 600 秒、未截断；循环夹具触发重复文本告警 |

测试音频为清晰英语语音或其循环版本，用于确认完整执行链路和风险拦截，不代表真实会议质量基准；不同音频、显卡和提示词会产生不同结果。75 秒循环夹具的“不通过”是质量门正确识别重复内容。10 分钟结果来自 24GB RTX 5090 Laptop，不能证明 10GB 显卡可完成同一任务。

更新与卸载

更新时在节点目录执行 git pull，然后重启 ComfyUI。卸载时删除本节点目录即可；模型默认位于 ComfyUI/models/moss_transcribe_diarize，是否保留由用户自行决定。