【暴露的问题比断句严重】实时语音，切分不够彻底，怎么解决

[andyuan1000]

实时语音，切分不够彻底，怎么解决

[andyuan1000]

实时语音，切分不够彻底，怎么解决

画框的代表，同一个人的说话，被切断了。

[LauraGPT]

看了原图和补充说明，圈出的两段是 19.5–24.4s / SPK2 与 24.4–31.5s / SPK3。这里需要区分“同一人的一句话被分成两段”和“同一人被分配成两个说话人标签”；仅调 VAD 静音阈值不能同时保证解决这两类问题。

另外，图里 41.3–45.4s 排在 19.5–24.4s 前面。建议同时核对未经过界面排序/拼接的原始结果，先确认时间顺序来自服务端还是展示层。截图本身不足以判断根因。

排查相关实现时，我复现了一个独立的说话人分配错误，并提交了 #3733：旧 distribute_spk 会重复累计首个领先片段的重叠时长。例如同一句中 A 占 4 秒、B 占 6 秒，却分配给 A；同一标签的非连续片段也可能漏计。候选修复按说话人累计每段的实际交集，32 项直接回归及相关 HTTP/实时服务等共 202 项测试通过。PR 已通过线上 MOSS adapter 与 NumPy 兼容性检查并合并主分支；这是主分支改动，不表示现有安装已包含修复；这不等于已经复现或解决你这段音频的问题，也不涉及声学模型准确率验证。

为了继续定位，请补充下面这组最小信息，不需要上传整段私密录音：

• FunASR 版本、实际模型名称，以及使用的是 Python AutoModel、WebSocket 服务还是第三方页面；附模型初始化和调用参数。
• 圈出位置前后的一小段可公开音频（仅在有权分享时提供），并标出你认为应该保持同一说话人的时间范围。
• 对应的原始 sentence_info，或服务实际返回的 JSON；如果每个音频块分别调用，请附相邻两次返回以及送入块的时间范围。

同一说话人可以有多个句段，句段边界不必等于说话人切换；不同独立推理请求产生的聚类编号也不能直接当作跨请求的身份 ID。先保留原始分段和标签，不建议在界面上强行把 SPK2、SPK3 全局合并。这个 issue 保持开放，等原始结果对照后再确定是哪一层需要修复。