目前有流式只是说话人区分的吗，还是必须由开发这组合，感觉自己组合出来的不好用

[bigfish0107]

Notice: In order to resolve issues efficiently, please follow the template.
（注意：为了更加高效率解决您遇到的问题，请按照模板提问，补充细节。）

Before asking

1. Search existing issues: https://github.com/modelscope/FunASR/issues
2. Search the docs: https://modelscope.github.io/FunASR/
3. Check the README quick start and deployment section.

Question

Code or command

What have you tried?

Environment

• OS:
• Python version:
• FunASR version:
• ModelScope version:
• PyTorch / torchaudio version:
• Install method (pip, source, Docker):
• Device (cuda, cpu, mps):
• GPU model:
• CUDA/cuDNN version:
• Docker image tag, if used:

[LauraGPT]

有，FunASR 现在已经内置了可选的流式说话人分配，不需要业务侧再自己拼 VAD + speaker embedding + 聚类。Fun-ASR-Nano 的实时 WebSocket 服务启动时加：

python examples/industrial_data_pretraining/fun_asr_nano/serve_realtime_ws.py \
  --port 10095 --language 中文 \
  --enable-spk \
  --spk-model iic/speech_eres2netv2_sv_zh-cn_16k-common

启用后，每个 VAD 完成句会在流式阶段得到 sentences[].spk；发送 STOP 时会基于整段会话重新聚类，最终请以 STOP 返回的 speaker 标签为准。详细说明见 实时服务文档。

边界也说明一下：当前是“VAD 完成句级别的在线分配 + STOP 全局重聚类”，不是逐帧、重叠语音感知的纯在线 diarization。极短句、多人重叠、远场噪声以及长会话都会影响效果；流式聚类还会随历史句数增长，因此多客户端默认是关闭的。

如果你已经用了 --enable-spk 但效果仍不好，请补充：FunASR 版本、完整启动命令、预期/实际人数、是否有重叠语音，以及 STOP 时返回的 JSON。长会话再加 --log-session-stats-interval 30，把 Session stats: 日志一并贴上，我们可以按内置链路继续定位。

[LauraGPT]

补充一个与你“不要自己组合 VAD + ASR + 说话人模块”需求更直接对应的新路径：

FunASR 已接入第三方 OpenMOSS/MOSS-Transcribe-Diarize，一次生成转写、时间戳和 [S01] / [S02] 说话人标签。业务侧不需要再显式配置 vad_model 或 spk_model，而且外部分块反而会破坏全局说话人一致性。

文档与可运行示例：
https://github.com/modelscope/FunASR/blob/main/docs/moss_transcribe_diarize_zh.md

from funasr import AutoModel

model = AutoModel(
    model="OpenMOSS-Team/MOSS-Transcribe-Diarize",
    model_revision="e8681d68e7042738ffca8ac8212bc8fcb1131ab8",
    backend="hf",
    device="cuda:0",
    dtype="bf16",
    attn_implementation="sdpa",
    disable_update=True,
)
result = model.generate("audio.wav", max_new_tokens=5120)[0]
print(result["sentence_info"])

也可以改成 backend="vllm" 接现有 OpenAI-compatible vLLM 服务。我们已在 H100 上验证过固定 revision 的 HF 与 vLLM 返回契约，以及两说话人 S01 -> S02 -> S01 探针。

边界说明：MOSS 目前适合离线/长音频的一体化转写与 diarization，不是 Fun-ASR-Nano WebSocket 那种低延迟实时流式服务；它是 OpenMOSS 的第三方模型，FunASR 提供统一适配与部署文档。如果你的目标是会议录音、访谈或播客后处理，优先试这个路径；如果必须边说边出结果，仍使用前一条回复里的 --enable-spk 流式方案。

[LauraGPT]

前面提到的 MOSS 一体化路径现在已正式进入 funasr==1.4.7，不再需要从源码安装：

python -m pip install -U "funasr==1.4.7"

发布页：https://github.com/modelscope/FunASR/releases/tag/v1.4.7
PyPI：https://pypi.org/project/funasr/1.4.7/
中文指南：https://github.com/modelscope/FunASR/blob/main/docs/moss_transcribe_diarize_zh.md

我们已从公网 PyPI 重新安装并验证 backend="vllm" 客户端、转写文本、毫秒时间戳和匿名 S01 / S02 说话人标签。这个 issue 继续保持打开并保留 needs feedback；请按你的会议/访谈音频复测后反馈效果，不会因为版本已发布就提前关闭。

[LauraGPT]

版本提示：前述 MOSS 路径仍包含在当前 funasr==1.4.13，新环境建议直接安装当前版本。

选择仍按场景区分：需要低延迟边说边出结果，使用 Fun-ASR-Nano WebSocket 的 --enable-spk；会议、访谈、播客等离线长音频，需要一体化转写和匿名说话人标签，使用 MOSS。MOSS 不需要业务侧手工拼 VAD/说话人模型，但它不是实时 WebSocket 服务。

issue 保持开放；欢迎用真实音频反馈预期/实际说话人数、是否重叠语音，以及结果中的 sentence_info。