FunClip v2.2.0：用 MOSS 做长音频说话人识别与视频剪辑

2026-08-31 · FunClip Release

FunClip v2.2.0 新增一条可选的 MOSS 路径：把长音频交给 vLLM 服务，FunASR 将模型输出归一化为文本、说话人身份和时间段，FunClip 再生成 SRT 或按 spkS01、spkS02 剪辑。

MOSS-Transcribe-Diarize 是 OpenMOSS 维护的第三方模型，不属于 FunASR 或 FunClip。集成固定使用 OpenMOSS-Team/MOSS-Transcribe-Diarize revision e8681d68e7042738ffca8ac8212bc8fcb1131ab8，并明确保留模型归属与支持边界。

数据路径

1. 启动固定 revision 的 vLLM 服务

python -m venv .venv-moss
. .venv-moss/bin/activate
pip install -U vllm

vllm serve OpenMOSS-Team/MOSS-Transcribe-Diarize \
  --revision e8681d68e7042738ffca8ac8212bc8fcb1131ab8 \
  --served-model-name moss-transcribe-diarize \
  --trust-remote-code --host 127.0.0.1 --port 8898

先用真实音频检查服务契约。当前经过验证的格式是 response_format=json：

curl -fsS http://127.0.0.1:8898/v1/audio/transcriptions \
  -F file=@sample.wav \
  -F model=moss-transcribe-diarize \
  -F response_format=json \
  -F max_completion_tokens=8192

2. 启动 FunClip

python -m pip install -U -r requirements.txt
python funclip/launch.py \
  --model moss \
  --moss-backend vllm \
  --moss-base-url http://127.0.0.1:8898/v1 \
  --moss-max-tokens 8192

远端服务需要 bearer token 时，把凭据放进 MOSS_API_KEY 环境变量；FunClip 不要求把 token 写进命令行或仓库。

能力与边界

• 支持长音频 ASR、说话人身份、SRT，以及按说话人剪辑，包括不足一秒的有效短说话片段。
• MOSS 提供段级时间戳，适合按整段或说话人剪辑；任意文本的精确字符级剪辑仍应使用 Paraformer。
• 全局说话人身份依赖模型看到连续音频，因此不接外部 VAD 或说话人模型，避免预切块破坏身份一致性。
• 如果最后一个 MOSS 片段因 token 上限没有结束时间戳，FunClip 会明确报错并提示提高 --moss-max-tokens，不会静默丢掉尾段。

完整生产部署、健康检查和容量边界见 MOSS 双语部署指南。

下载与校验 v2.2.0

FunClip-2.2.0.tar.gz
SHA256 994c5d9cf392b74b36284d526eca8bada1560a3e7825ab7baa9c673a1b4ef216

FunClip-2.2.0.zip
SHA256 4f5a7d33d9ea65467f29b55b15ed5be18e64de7e57e2f9f36fe51a23b40557e7

从 FunClip v2.2.0 Release 下载归档和 SHA256SUMS，不要从不明镜像复制二进制或凭据。