12分钟音频识别,报错.

[evenZh]

笔记本2060显卡.用paraformer-zh,iic/SenseVoiceSmall 都可以正常识别
但是FunAudioLLM/Fun-ASR-Nano-2512,总是报这个错误.调整配置也没用,关上之后爆显存.-.-,问AI说,是VAD 模型把音频切成了几段，但 ASR 模型（Nano-2512）在处理其中某一段（通常是纯静音段）时返回了空结果。 FunASR 的合并逻辑没有做判空处理，直接去取第 0 个索引，就炸了。
vad_model="fsmn-vad",
vad_kwargs={"max_single_segment_time": 60000},

Traceback (most recent call last):███████████████████████████████████████████████████████| 1/1 [00:05<00:00,  5.61s/it]
  File "D:\code\workbuddy\asr\funnano.py", line 38, in <module>
    res = model.generate(
          ^^^^^^^^^^^^^^^
  File "C:\Python312\Lib\site-packages\funasr\auto\auto_model.py", line 329, in generate
    return self.inference_with_vad(
           ^^^^^^^^^^^^^^^^^^^^^^^^
  File "C:\Python312\Lib\site-packages\funasr\auto\auto_model.py", line 558, in inference_with_vad
    t[0] += vadsegments[j][0]
    ~^^^
KeyError: 0
  0%|                                                                                            | 0/1 [02:23<?, ?it/s]

[LauraGPT]

长音频推理需要配合 VAD 模型使用来切片。请确保使用最新源码并加上 VAD：

从源码安装最新版 FunASR：

pip install git+https://github.com/modelscope/FunASR.git

model = AutoModel(
    model="FunAudioLLM/Fun-ASR-Nano-2512",
    trust_remote_code=True,
    remote_code="./model.py",
    vad_model="fsmn-vad",
    vad_kwargs={"max_single_segment_time": 30000},
    device="cuda:0",
    hub="hf",
)
res = model.generate(input=["long_audio.wav"], cache={}, batch_size=1, language="中文")

max_single_segment_time 控制 VAD 最大切片长度（毫秒），设小一些可以避免显存不足。