AutoModel passes the original source rate to already-resampled speaker segments
Maintainer antworten meist innerhalb von 1 Tag
Dieses Issue hat noch niemand übernommen.
Bewertung
- Schwierigkeit
- 2/5
- Geschätzter Aufwand
- 1-3 Stunden
- Anfängerfreundlichkeit
- 72/100
- Issue-Typ
- Bug
- Klarheit
- Klar beschrieben
- Aktivitätsstatus
- Aktiv
- Bereich
- audio-video-rtc
Rechercherichtung
Beginne in funasr/auto/auto_model.py an der Speaker-Model-Grenze in AutoModel.generate und verfolge, wie sich die Rate des neu abgetasteten Segments von der ursprünglichen fs unterscheidet. Führe das bereitgestellte Reproduktionsskript aus, um die Anzahl der Samples zu erfassen, die in die Speaker-Feature-Extraktion eingehen. Erledigt ist die Aufgabe, wenn die Speaker-Grenze die tatsächliche Rate des Segments verwendet, die Reproduktion 24.000 Samples ergibt und die bestehenden gezielten Regressionstests bestehen.
Vom Indexierungsmodell aus dem Issue-Text verfasst.
Beschreibung
🐛 Bug
On main commit 66d7a4c264a5993a2a63ed00c1f402c296ee521a, the VAD pipeline resamples source audio to the ASR frontend rate before slicing and speaker chunking. The ASR boundary explicitly uses the segment rate, but the speaker boundary forwards the original generate(..., fs=...) value. CAMPPlus uses this as its source rate and resamples the waveform again.
A 200 ms synthetic 48 kHz input becomes a 16 kHz segment, padded by sv_chunk to 1.5 seconds (24,000 samples). Speaker feature extraction instead receives 8,000 samples. With an 8 kHz source override the same padded segment becomes 48,000 samples. An incompatible spk_kwargs.fs can also override the actual segment rate.
PR #3751 fixed the VAD→ASR rate propagation and retained the original rate across input batches; this report concerns the remaining speaker boundary.
To Reproduce
Use a source checkout at the SHA above and a local Python 3.12 environment. The following script uses actual AutoModel generation, audio resampling, speaker chunking and CAMPPlus inference, with small inference stand-ins and a feature-capture boundary. It downloads no model weights.
Tested install:
python -m pip install torch==2.10.0 torchaudio==2.10.0 numpy==1.26.4 transformers==4.51.3 einops pytorch-wpe -e .
Save the code below as reproduce_speaker_rate.py, then run:
HF_HUB_OFFLINE=1 MODELSCOPE_OFFLINE=1 OMP_NUM_THREADS=1 python reproduce_speaker_rate.py
Code sample
"""Weights-free public-entry reproduction; real loading/resampling and CAMPPlus entry."""
from types import SimpleNamespace
from unittest.mock import patch
import numpy as np
import torch
from funasr.auto.auto_model import AutoModel
from funasr.models.campplus import model as campplus_model
class Probe(torch.nn.Module):
def __init__(self, role):
super().__init__()
self.anchor = torch.nn.Parameter(torch.zeros(1))
self.role = role
def inference(self, data_in, key, **kwargs):
if self.role == 'speaker':
print('speaker received fs:', kwargs.get('fs', 16000))
return campplus_model.CAMPPlus.inference(self, data_in, key=key, **kwargs)
results = [
{'key': k, 'value': [[0, 200]]} if self.role == 'vad'
else {'key': k, 'text': 'probe'} for k in key
]
return results, {'batch_data_time': 0.2}
def forward(self, features):
return torch.ones(features.shape[0], 4)
captured = []
def capture_features(audio):
captured.extend(len(sample) for sample in audio)
return torch.zeros(len(audio), 20, 80), [20] * len(audio), captured[-len(audio):]
wrapper = AutoModel.__new__(AutoModel)
wrapper.model = Probe('asr')
wrapper.vad_model = Probe('vad')
wrapper.spk_model = Probe('speaker')
wrapper.punc_model = None
wrapper.kwargs = {
'device': 'cpu', 'disable_pbar': True, 'return_spk_res': False,
'frontend': SimpleNamespace(fs=16000), 'ncpu': 1,
}
wrapper.vad_kwargs = {'device': 'cpu'}
wrapper.spk_kwargs = {'device': 'cpu'}
wrapper._store_base_configs()
source_rate = 48000
audio = np.sin(2 * np.pi * 440 * np.arange(source_rate // 5) / source_rate).astype(np.float32)
with patch.object(campplus_model, 'extract_feature', capture_features):
wrapper.generate(input=audio, fs=source_rate)
print('sample counts entering speaker feature extraction:', captured)
print('expected: [24000] (1.5 seconds padded at 16 kHz)')
assert captured == [24000], captured
Expected behavior
The speaker model receives the actual rate of its input segments (fs=16000 in this pipeline) and feature extraction sees 24,000 samples. An explicit source rate still reaches VAD/source loading and constructor configuration remains available for the next call.
Error logs
speaker received fs: 48000
sample counts entering speaker feature extraction: [8000]
expected: [24000] (1.5 seconds padded at 16 kHz)
AssertionError: [8000]
The proposed one-line boundary fix produces fs: 16000 and [24000] on the same script. New focused regressions fail 21 cases on the baseline while 8 controls pass; the fixed source passes all 29. Tests cover arrays/explicit PCM, single/batch inputs, constructor/runtime precedence, speaker config conflicts and subsequent calls. No recognition or diarization quality claim is made from these stand-in models.
Environment
- OS: macOS 26.6.2 arm64
- Python: 3.12.12
- FunASR: source 1.4.16, SHA above
- ModelScope: 1.40.1
- PyTorch / torchaudio: 2.10.0 / 2.10.0
- NumPy: 1.26.4; transformers: 4.51.3; tokenizers: 0.21.4
- Install method: editable source in a task-local virtual environment
- Device: CPU; no GPU/CUDA/Docker execution
Audio details
Synthetic mono float32 440 Hz sine, 200 ms, source rate 48 kHz; additional regressions use 8/16 kHz and explicit signed PCM16. Speaker chunking pads it to 1.5 seconds. There is no speech, real speaker identity or background audio.
Prepared with AI assistance; this is a current-source reproduction, not a recovered historical patch.
- Vorherrschende Sprache
- Python
- Sterne
- 20.8k
- Forks
- 2.1k
- Ø Merge
- 23 Std. 48 Min.
- Gemergte PRs (30 T.)
- 38
Entwicklungsumgebung
- Kein Dockerfile und keine Docker-Compose-Datei
- Hat eine Pull-Request-Vorlage
- Beitragsleitfaden lesen
Erste Schritte
- Lesen Sie das ganze Issue und danach den Beitragsleitfaden des Projekts.
- Schreiben Sie ins Issue, dass Sie es übernehmen — das erspart doppelte Arbeit.
- Forken Sie das Repository und arbeiten Sie in einem Branch.
- Öffnen Sie einen Pull Request, der die Issue-Nummer nennt.
Mehr aus modelscope/FunASR
-
`SentencepiecesTokenizer.ids2tokens` ignores `token_list` - root cause of the paraformer-en gibberish in #3040Evtl. vergeben Ein verknüpfter Pull Request ist offen oder bereits gemergt. Offen
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 78/100
modelscope/FunASR#3780 · 1 Kommentar ·
Maintainer antworten meist innerhalb von 1 Tag
-
Bug: blank lines in wav.scp / jsonl file lists crash prepare_data_iterator (IndexError / JSONDecodeError)Evtl. vergeben Ein verknüpfter Pull Request ist offen oder bereits gemergt. Offenneeds feedback
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 85/100
modelscope/FunASR#3757 · 1 Kommentar ·
Maintainer antworten meist innerhalb von 1 Tag
-
Schwierigkeit 1/5 Unter einer Stunde Anfängerfreundlichkeit 88/100
modelscope/FunASR#3730 · 2 Kommentare ·
Maintainer antworten meist innerhalb von 1 Tag
-
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 86/100
modelscope/FunASR#3704 · 1 Kommentar ·
Maintainer antworten meist innerhalb von 1 Tag
-
没有vllm时使用fun-asr-nano每次都重新加载模型Evtl. vergeben Ein verknüpfter Pull Request ist offen oder bereits gemergt. Offenbug needs feedback
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 76/100
modelscope/FunASR#3401 · 2 Kommentare ·
Maintainer antworten meist innerhalb von 1 Tag
Alle Issues in modelscope/FunASR
Ähnliche Issues
-
good first issue infrastructure
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 76/100
kuznia-rdzeni/coreblocks#1135 ·
-
good first issue server
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 85/100
Maintainer antworten meist innerhalb von 1 Tag
-
documentation priority: high
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 78/100
a-lex-s/mealie-telegram-bot#54 ·
Maintainer antworten meist innerhalb von 1 Tag
-
type/test
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 76/100
SaltedTan/virgil-language-server#218 ·
Maintainer antworten meist innerhalb von 1 Tag
-
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 83/100
btclib-org/btclib-wallet#541 ·
Maintainer antworten meist innerhalb von 1 Tag