FunASR：把录音整理成带时间段与匿名说话人的文本

录完一场讨论，接下来需要知道“哪段在什么时候、由哪个声音说”，纯文字转写还不够。FunASR 是语音处理工具包，可以把识别、切段、标点与说话人嵌入组合起来，输出可回到原录音检查的文本。它不是一个固定模型，选了不同检查点和运行路径，结果字段也会不同。

当前README提供Paraformer-zh、FSMN-VAD、ct-punc与CAM++的组合示例。识别模型负责文字，VAD找出有讲话的时间区域，标点模型帮助断句，CAM++提取声音嵌入，由管线聚类并分配匿名编号。仅加载ASR，不会自动拥有所有组件的功能；只配置spk_model而没有相应VAD路径，也不能假定人物分离已经生效。

官方Python SDK文档把完整过程写成加载四个本地模型目录，再输入音频，读取结果与sentence_info。对每个句段，可取得开始、结束、文字和运行说话人分配后才有的spk字段。这里的开始与结束单位是毫秒，接到剪辑秒数时要除以1000。管线会先找出讲话区域，为批处理按时长排序，再恢复片段原顺序，把局部时间偏移回整条录音。这个过程解释了结果为何能用来定位原文件，而不是只有互不相干的短音频文本。

对访谈整理，一个合适的输出表是“开始时间、结束时间、匿名声音编号、文本、待确认标记”。先从开头、转折、多人交谈各选一段回听，确认分离是否合理，再用它找素材。这是编辑的应用示例，未运行。即使某次spk=0对应主持人，也不代表另一条录音的0仍是同一个人；姓名需要你根据授权音频回听标注。

VAD也不是人物切换检测。它找到的是有声音活动的区域，一段里可能包含多人接话。短回应、重叠说话或环境噪声会让聚类更难，不能把匿名编号当作准确身份。官方也明确CAM++的嵌入与管线聚类，是不同于注册声纹、验证已知人物的任务。

字幕还需要再做一步验收。sentence_info不保证每条路径都有，缺少可用标点或时间戳时会改变切段方式，某些组合可能返回空数组。更细的timestamp按模型可能是词、字或其他对齐单位，不宜直接称“逐字精确”。修改了文本或做热词替换后，也不能假定时间自动重新对齐。交付字幕时，应看文字、断句和起止位置是否共同合适。

这条访谈路径使用的是文件转写管线。当前README也有SenseVoice、Fun-ASR-Nano、流式Paraformer与第三方OpenMOSS入口；它们需要分别选择模型和运行方式，不能将另一路的字段直接套到 sentence_info 上。

离线也有前提：完整模型、前端与辅助组件须事先准备，SDK的disable_update只关闭版本检查，不阻止所有模型联网请求。要处理不便上传的录音，应采用明确的本地路径并实际断网验证，不能把“在电脑运行”直接视为已经离线。

工具包代码为MIT；预训练权重另看各卡。当前HuggingFace的Paraformer-zh卡标Apache2.0，其他组件及ModelScope来源不能据此统一推定；链接自定义MODEL_LICENSE的权重遵守相应协议。录音使用权限与参与者同意也要覆盖你的处理和发布用途。

最后交付给编辑的可以是一份带时间段与匿名声音编号的素材表；关键引述、姓名和人物归属仍应回听确认。

资料：README、SDK字段与管线边界、Paraformer-zh卡、权重协议。