FunASR
EN

HTTP 200 不等于转写成功：会议录音的验收清单

2026-09-09 · 应用工程 · 阅读约 8 分钟

一次请求返回了文本，离“这份会议记录可以交给同事”还有多远？把 ASR 接进字幕、会议纪要或按说话人剪辑时，需要分别验收内容、说话人、时间和处理完整性。下面用 FunASR 的 MOSS 结果讲清这些层次，并提供一个只依赖 Python 标准库的结构检查脚本。

FunClip 的视频、字幕与剪辑工作区
应用出口示意：已有 FunClip 工作区。不是下文合成样例的运行截图。

先分清四个问题

检查层次要回答的问题不能用什么代替
请求与结构请求完成了吗？字段、单位、顺序是否符合约定？HTTP 200、非空 JSON 不能证明内容正确。
文本名字、数字、否定词和关键决策是否转对？语句流畅不能证明没有漏句或幻觉。
说话人每次轮次和重叠发言分给了谁？输出了两个标签，不等于两位人物分得正确。
时间与覆盖字幕能定位到正确声音吗？开头、中段和结尾有无遗漏？最后一个时间戳接近总时长，不等于全程转写完整。

三项常见混淆值得单独拆开。VAD 检测哪些时间段可能有语音；ASR 给出说了什么；说话人分离（diarization） 给匿名说话人划分发言区间。它们不是同一个评测目标。S01 是当前录音内的标签，不是姓名、已注册声纹或跨录音身份。

给应用选对输出，而不只是选模型

MOSS-Transcribe-Diarize 是 OpenMOSS 维护的第三方模型。FunASR 集成把它的输出整理成文本和带匿名标签的时间段；采用这条路径不需要再外接 VAD 或说话人模型。不要为了“加上 VAD”先把会议任意切成独立请求，然后假定每段的 S01 都是同一个人。

具体服务版本和安装命令集中维护在 MOSS 部署页及 集成指南。本文不另写一套会随版本漂移的安装流程。FunClip 的能力与限制见 说话人剪辑实践；模型选型从 模型页进入。

一个能自动化、但不冒充质量评估的检查器

下载 transcript-audit.py，也可以直接阅读源码。它只读文件，不访问网络，不修改转写结果。输入是 FunASR AutoModel.generate(...)[0] 的单个 MOSS 结果对象，或仓库离线示例写出的 .moss-vllm.json；不是原始 vLLM diarized_json、SRT，也不是 Qwen3 示例的 segments 格式。

以下是人为构造的 12 秒录音结果，不是真实模型输出，也没有准确率含义：

{
  "text": "Let's start. Agreed.",
  "sentence_info": [
    {"start": 1000, "end": 3500, "spk": "S01", "text": "Let's start."},
    {"start": 6000, "end": 8000, "spk": "S02", "text": "Agreed."}
  ]
}

把示例 JSON 作为 result.json。检查器使用毫秒，12 秒应传 12000，不是 12：

python3 transcript-audit.py result.json --duration-ms 12000

输出的 segment_count 是 2，last_end_ms 是 8000，tail_not_covered_ms 是 4000。quality_verified 始终为 false：程序没有听过音频，更没有人工参考答案，因此不能给出质量通过证书。Python 3.12 下的合成样例、非法字段和命令行行为有回归测试；它们验证检查代码，不验证模型。检查器选择拒绝零长度段，这是本文应用验收的额外约束，不表示模型适配器承诺所有时间段都大于零。

从结构检查走到人工验收

  1. 固定输入和配置。保留原音频散列、时长、采样率/声道、模型 revision、服务版本、请求格式和生成上限。记录重采样、混音与裁剪；裁掉静音后必须保存偏移映射，否则时间戳无法回到原视频。
  2. 回听高风险位置。开头与结尾、长静音两侧、说话人交替、重叠发言、低音量以及关键数字。抽查能发现问题，但抽查通过不等于整段准确。
  3. 把文本与说话人分开评估。有人工参考转写时，可按统一的标点、大小写及分词规则计算 CER/WER；有人工说话人时间标注时，再使用说话人指标。不要把“输出了两个标签”作为 diarization 的通过条件。
  4. 冻结说话人评测口径。pyannote.metrics 提供说话人错误率等指标；边界宽容区间（collar）和是否计入重叠语音会影响结果。比较系统时必须使用同一标注与配置，指标数字不能脱离这些前提。
  5. 完整性异常先定位，再调参。检查响应是否因生成上限中止、结构是否完整、客户端是否漏读。增大 token 上限只可能缓解某些截断，不保证召回；不能用“接口正常返回”关闭用户的问题。

上线前留下什么

遵循授权范围和保留期限，只保存必要的数据，并限制对录音与说话人标注的访问。一份可复查的交付应包含原音频标识、固定配置、原始结果、结构报告和人工确认记录。会议纪要保留到原文的回链；字幕检查可读性、定位及隐私；剪辑回看实际片段，不能只看时间段长度。涉及已知人物身份时另行设计授权、登记和验证流程，不把匿名聚类标签改名后当作身份识别。

这篇文章的检查器是进入验收流程的第一道结构检查，不是模型排行榜，也不会替代回听与标注。下一步可以沿 部署中心跑通实际工作负载，再到 FunASR 仓库查看实现或提交带最小复现的问题。

来源与复现入口