AutoModel passes the original source rate to already-resampled speaker segments
Les mainteneurs répondent en général sous 1 jour
Personne n'a encore pris cette issue.
Évaluation
- Difficulté
- 2/5
- Temps estimé
- 1-3 heures
- Accessibilité débutants
- 72/100
- Type d'issue
- Bug
- Clarté
- Clairement spécifiée
- Activité
- Active
- Domaine
- audio-video-rtc
Piste de recherche
Commencez dans funasr/auto/auto_model.py, à la frontière du modèle de locuteur dans AutoModel.generate, et suivez en quoi le taux du segment rééchantillonné diffère de la fs d’origine. Exécutez le script de reproduction fourni pour relever le nombre d’échantillons entrant dans l’extraction des caractéristiques du locuteur. La tâche est terminée lorsque la frontière du locuteur utilise le taux réel du segment, que la reproduction donne 24 000 échantillons et que les tests de régression ciblés existants réussissent.
Rédigé par le modèle d'indexation à partir du texte de l'issue.
Description
🐛 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.
- Langage dominant
- Python
- Étoiles
- 20.6k
- Forks
- 2.1k
- Merge moyen
- 18 h 3 min
- PR mergées (30 j)
- 88
Préparer son environnement
- Aucun Dockerfile ni fichier Docker Compose
- Propose un modèle de pull request
- Lire le guide de contribution
Par où commencer
- Lisez l'issue en entier, puis le guide de contribution du projet.
- Signalez en commentaire que vous la prenez — cela évite que deux personnes fassent le même travail.
- Forkez le dépôt et travaillez sur une branche.
- Ouvrez une pull request qui référence le numéro de l'issue.
Autres issues de modelscope/FunASR
-
Bug: blank lines in wav.scp / jsonl file lists crash prepare_data_iterator (IndexError / JSONDecodeError)Peut-être pris @Lesereingrape l’a pris il y a 5 jours. Ouverte
Difficulté 2/5 1-3 heures Accessibilité débutants 85/100
modelscope/FunASR#3757 ·
Les mainteneurs répondent en général sous 1 jour
-
Difficulté 1/5 Moins d'une heure Accessibilité débutants 88/100
modelscope/FunASR#3730 · 2 commentaires ·
Les mainteneurs répondent en général sous 1 jour
-
Difficulté 2/5 1-3 heures Accessibilité débutants 86/100
modelscope/FunASR#3704 · 1 commentaire ·
Les mainteneurs répondent en général sous 1 jour
-
没有vllm时使用fun-asr-nano每次都重新加载模型Peut-être pris Une pull request liée à cette issue est ouverte ou déjà fusionnée. Ouvertebug needs feedback
Difficulté 2/5 1-3 heures Accessibilité débutants 76/100
modelscope/FunASR#3401 · 2 commentaires ·
Les mainteneurs répondent en général sous 1 jour
-
Bug: cmvn readers raise IndexError on blank lines and return empty statistics without errorPeut-être pris @Lesereingrape l’a pris il y a 4 jours. Ouverte
Difficulté 3/5 1-2 jours Accessibilité débutants 35/100
modelscope/FunASR#3759 ·
Les mainteneurs répondent en général sous 1 jour
Toutes les issues de modelscope/FunASR
Issues similaires
-
enhancement
Difficulté 2/5 1-3 heures Accessibilité débutants 85/100
epam/ai-dial-quickapps-backend#628 ·
Les mainteneurs répondent en général sous 2 jours
-
0xlau.dev 已失效,切换成 timlau.meOuverte
Difficulté 1/5 Moins d'une heure Accessibilité débutants 69/100
timqian/chinese-independent-blogs#2235 ·
Les mainteneurs répondent en général sous 1 jour
-
Difficulté 2/5 1-3 heures Accessibilité débutants 68/100
eclipse-score/coverage_tool#27 ·
Les mainteneurs répondent en général sous 1 jour
-
Difficulté 2/5 1-3 heures Accessibilité débutants 65/100
bojieli/ai-agent-book#1174 ·
Les mainteneurs répondent en général sous 1 jour
-
Difficulté 2/5 1-3 heures Accessibilité débutants 82/100
RedHatQE/mtv-api-tests#721 ·
Les mainteneurs répondent en général sous 1 jour