FunASR-nano-2512 + vLLM的AutoModelVLLM是否可以支持输出sentence_info句子级别的时间戳

[Stephanie-ting]

FunASR-nano-2512 + vLLM的AutoModelVLLM是否可以支持输出sentence_info句子级别的时间戳，配置了vad_model、spk_model和sentence_timestamp=true仍只输出token字级别的时间戳

[LauraGPT]

结论：在当前 FunASR v1.4.3 / main 中，AutoModelVLLM 本身还不能通过 vad_model、spk_model 和 sentence_timestamp=True 组装 sentence_info。你现在只拿到 token/字级 timestamps 是当前实现的预期结果，不是这些参数写错了。

原因是 AutoModelVLLM 当前直接包装 FunASRNanoVLLM：后者的 generate() 只在 CTC 可用时添加 timestamps，没有运行 VAD、CAM++ 或 sentence_info 后处理；上述额外参数被 **kwargs 接收，但不会启用这条组合 pipeline。

如果当前业务必须使用稳定的句级时间戳/说话人输出，请先使用公开的 AutoModel pipeline：

from funasr import AutoModel

model = AutoModel(
    model="FunAudioLLM/Fun-ASR-Nano-2512",
    vad_model="fsmn-vad",
    punc_model="ct-punc",
    spk_model="cam++",
    device="cuda",
)
result = model.generate(
    input="audio.wav",
    sentence_timestamp=True,
    return_spk_res=True,
)
print(result[0]["sentence_info"])

源码中另外有 funasr.models.fun_asr_nano.inference_vllm_pipeline.FunASRNanoVLLMPipeline，它会组合 VAD + vLLM + CAM++，在说话人路径启用时返回 sentence_info。不过这目前是内部入口，不在 AutoModelVLLM 的公开 API 表中；它的 start/end 是 VAD 分段边界，并不是 sentence_timestamp=True 触发的标点句切分。因此生产上若需要稳定合同，建议先用上面的 AutoModel；若必须保留 vLLM 吞吐，可以明确告诉我们 FunASR 版本和期望的分句规则（VAD 段还是标点句），再按这个能力缺口跟进公共 API。

[Stephanie-ting]

感谢回复！测试了AutoModel pipeline 和 手动组合VAD + vLLM，vLLM pipeline的处理速度更符合业务需求。希望vLLM版把Fun-ASR-Nano模型，配置上标点句切分！