为什么我的输出没有 sentence_info，有人遇到过吗？

[QK-123]

我开启了spk 也配置 sentence_timestamp

[LauraGPT]

sentence_info 是完整的 VAD 分段 AutoModel pipeline 生成的；只设置说话人开关，或者没有加载 vad_model 时，普通单句 inference() 路径不会生成这个字段。可以先用下面的最小路径排除配置问题：

import funasr
from funasr import AutoModel

print("funasr:", funasr.__version__)

model = AutoModel(
    model="iic/SenseVoiceSmall",
    vad_model="fsmn-vad",
    spk_model="cam++",
    device="cpu",  # 先用 CPU 排除 CUDA 环境问题
)

res = model.generate(
    input="your_audio.wav",
    sentence_timestamp=True,
)
print(res[0].keys())
print(res[0].get("sentence_info"))

如果使用 Paraformer，请同时加上 punc_model="ct-punc"。如果这段仍然没有 sentence_info，请贴出以下三项，我可以继续按实际路径定位：

1. 完整的 AutoModel(...) 和 generate(...) 调用（本地路径可脱敏）；
2. funasr 版本与 res[0].keys() 输出；
3. 当前使用的是 Python AutoModel、CLI、OpenAI API，还是 WebSocket 服务。服务端接口的响应结构与 Python 原始结果并不完全相同。

[QK-123]

funasr版本是 1.3.14

import time
import numpy as np
from funasr import AutoModel


class FunASRRecognizer:
    def __init__(
        self,
        offline_model_path: str,
        vda_model_path: str,
        punc_model_path: str,
        spk_model_path: str,
        device: str = "cpu"
    ):
        """
        初始化 FunASR 识别器

        Args:
            offline_model_path: 离线模型路径
            device: 运行设备, "cpu" 或 "cuda"
        """
        self.offline_model_path = offline_model_path
        self.vda_model_path = vda_model_path
        self.punc_model_path = punc_model_path
        self.spk_model_path = spk_model_path
        self.device = device

        self._offline_model = None

        self._audio_buffer = np.array([], dtype=np.float32)

    def _get_offline_model(self):
        if self._offline_model is None:
            model_kwargs = {
                "model": self.offline_model_path,
                "device": self.device,
                "disable_update": True,
                "disable_pbar": True,
                "disable_log": True,
                "log_level": "ERROR"
            }

            if self.vda_model_path:
                model_kwargs["vda_model"] = self.vda_model_path

            if self.punc_model_path:
                model_kwargs["punc_model"] = self.punc_model_path

            if self.spk_model_path:
                model_kwargs["spk_model"] = "CAMPPlus"
                model_kwargs["spk_kwargs"] = {"model_path": self.spk_model_path}

            self._offline_model = AutoModel(**model_kwargs)
        return self._offline_model

    def to_text_offline(self, sample_rate: int, samples: np.ndarray):
        # 此方法在 IDE 中被折叠 (59~76行)，需根据业务补充逻辑
        pass

    def to_text_streaming(self, samples: np.ndarray, sample_rate: int = 16000):
        # # 获取对应业务的热词
        # hotword_file = AppConfig.get("funasr", "hotword_path")

        if isinstance(samples, np.ndarray):
            if samples.dtype == np.int16:
                samples = samples.astype(np.float32) / 32768.0
            elif samples.dtype == np.float32:
                pass

        if self._audio_buffer.size == 0:
            self._audio_buffer = samples.copy()
        else:
            self._audio_buffer = np.concatenate([self._audio_buffer, samples])

        asr_start = time.time()

        if self._offline_model is None:
            self._offline_model = self._get_offline_model()

        model = self._offline_model

        results = model.generate(input=self._audio_buffer)

        print(f"初始转录结果------------{results}")

        if results and len(results) > 0 and "text" in results[0]:
            text = results[0]["text"].strip()
            sentence_info = results[0].get("sentence_info", [])

            buffer_duration_ms = (len(self._audio_buffer) / sample_rate) * 1000.0

            is_endpoint = False

            if text and len(sentence_info) > 0:
                last_sentence_end_ms = sentence_info[-1].get("end", 0)
                if buffer_duration_ms - last_sentence_end_ms >= 400:
                    is_endpoint = True
            elif text and buffer_duration_ms >= 30000:
                is_endpoint = True

            if is_endpoint:
                asr_elapsed = (time.time() - asr_start) * 1000

                self.reset_stream_buffer()

                print(f"转录结果是什么 ------------ {text}")

                return text

    def reset_stream_buffer(self):
        self._audio_buffer = np.array([], dtype=np.float32)


base_path = "..."  # 你的模型根目录路径

LOCAL_OFFLINE_PATH = base_path + "/speech_seaco_paraformer_large_asr_nat-zh-cn-16k-common-vocab8404-pytorch"
LOCAL_VDA_PATH = base_path + "/speech_fsmn_vad_zh-cn-16k-common-pytorch"
LOCAL_PUNC_PATH = base_path + "/punc_ct-transformer_cn-en-common-vocab471067-large"
LOCAL_SPK_PATH = "/home/icsxc/standalone/campplus_sv_offline/model"

funasr_recongnizer = FunASRRecognizer(
    offline_model_path=LOCAL_OFFLINE_PATH,
    vda_model_path=LOCAL_VDA_PATH,
    punc_model_path=LOCAL_PUNC_PATH,
    spk_model_path=LOCAL_SPK_PATH,
    device="cpu"
)

[LauraGPT]

定位到了，根因在这行参数名：

model_kwargs["vda_model"] = self.vda_model_path

应改为 vad_model。FunASR 1.3.14 的 AutoModel 只读取 kwargs.get("vad_model")；当前拼写会导致 VAD 模型没有创建，generate() 因此走普通单句推理，不会进入 VAD 分段、说话人聚类和 sentence_info 组装流程。

建议把相关变量也统一改名，关键代码如下：

if self.vad_model_path:
    model_kwargs["vad_model"] = self.vad_model_path

if self.punc_model_path:
    model_kwargs["punc_model"] = self.punc_model_path

if self.spk_model_path:
    model_kwargs["spk_model"] = "CAMPPlus"
    model_kwargs["spk_kwargs"] = {"model_path": self.spk_model_path}

model = AutoModel(**model_kwargs)

results = model.generate(
    input=self._audio_buffer,
    sentence_timestamp=True,
    return_spk_res=True,
)

修正后可先打印一次：

print("vad:", model.vad_model is not None)
print("punc:", model.punc_model is not None)
print("spk:", model.spk_model is not None)
print(results[0].keys())
print(results[0].get("sentence_info"))

前三项应当都是 True，结果中应出现 sentence_info。sentence_timestamp=True 不是这次缺失的首要原因，但建议显式传入，与你的分句需求一致。

另外，你当前的 to_text_streaming() 是不断累积缓冲区并重复执行离线整段识别，不是真正的流式推理；先修正 vad_model 即可恢复当前逻辑。后续如果延迟或算力开销较高，再切换到 online VAD / WebSocket streaming，不要在每个音频块上重复重跑全部历史音频。建议同时升级到当前 funasr==1.3.29，但升级本身不会自动修复 vda_model 这个拼写。

[QK-123]

感谢，反馈太迅速了。。。

[LauraGPT]

你好，sentence_info 不是只由 sentence_timestamp=True 控制：Python API 需要配置 VAD，才能进入长音频分段与说话人后处理流程。请先升级到当前版本并用下面的最小配置核对：

python -m pip install -U "funasr==1.3.29"

from funasr import AutoModel

model = AutoModel(
    model="iic/SenseVoiceSmall",
    vad_model="fsmn-vad",
    spk_model="cam++",
    device="cuda",  # 没有可用 GPU 时改为 "cpu"
)
res = model.generate(input="meeting.wav", sentence_timestamp=True)
print(res[0].keys())
print(res[0].get("sentence_info"))

如果使用的是 funasr-server，返回字段不是 sentence_info：

• response_format=json 只返回 text；
• response_format=verbose_json 返回 OpenAI 兼容的 segments；
• POST /asr 也直接返回 segments。

curl http://localhost:8000/v1/audio/transcriptions \
  -F "file=@meeting.wav" \
  -F "model=sensevoice" \
  -F "spk=true" \
  -F "response_format=verbose_json"

如果仍然没有，请贴一下这四项，我可以按实际路径继续定位：funasr.__version__、模型初始化代码、generate() 参数，以及 print(res[0].keys()) 的输出。

[LauraGPT]

补充一下版本边界：继续检查后确认，PyPI 当前的 funasr==1.3.29 中，统一 funasr-server 虽然接受 spk=true，但还没有把 speaker model 接入请求处理，所以它不会在 segments 中产生说话人标签。Python AutoModel 的上面那段配置不受这个 server 问题影响。

服务器问题已经在 #3433 修复并合并到 main：

• spk=true 首次请求时懒加载 cam++；
• vLLM 与 AutoModel fallback 都会运行说话人分配；
• response_format=verbose_json 会保留 segments[].speaker；
• fallback 同时兼容 sentence_info[].text 和 sentence_info[].sentence。

精确合并提交是 cbed336e56db5f7ec24137364095f346b8711719。在下一个 PyPI 版本发布前，如需提前验证 server 修复，可以固定安装该提交；否则请先用上面的 Python AutoModel 方式获取 sentence_info。

[LauraGPT]

问题已经定位：初始化代码把 vad_model 误写成了 vda_model。funasr==1.3.30 只读取 vad_model；误拼写会让 VAD 模型没有创建，随后不会进入长音频分段、说话人后处理和 sentence_info 组装。

请改为：

model_kwargs["vad_model"] = self.vda_model_path

results = model.generate(
    input=self._audio_buffer,
    sentence_timestamp=True,
    return_spk_res=True,
)

也可以先检查：

print(model.vad_model is not None)
print(results[0].keys())

这里第一项应为 True，结果中才会出现 sentence_info。另外，当前实现不断累积缓冲并重复跑离线整段识别，并不是真正的流式推理；如果后续遇到延迟问题，应改用 online VAD 或 WebSocket streaming。

为避免其他用户再次被这个拼写静默坑到，main 已通过 #3443 加入明确报错：传入 vda_model 时会直接提示改用 vad_model。该修复会进入下一正式版 1.4.0。