换了模型却没生效？核对 WebSocket 启动配置

FunASR Blog · 2026-11-14

在实时转写服务里，流式结果和句尾离线结果可能来自不同模型。FunASR 的 Python WebSocket 服务分别提供这两组配置；排查模型替换时，先确认自己修改的是哪一组，以及运行的脚本是否真正把参数传下去了。

一个典型故障是：启动命令写了新的 --asr_model，服务也正常启动，但离线构造器仍使用固定的模型名和版本。参数被命令行解析器接受，不代表它被模型构造器使用。下面用一个不加载模型的检查，先把这两个环节对上。

本文对应 Python WebSocket 服务的源码修复，不是所有运行时的统一配置协议。文中的源码检查不发送音频、不启动服务、不下载权重；既有 GPU 验证使用合成模型与音频，证明参数路由，不证明真实语音准确率或部署性能。

1. 区分离线模型和流式模型

替换离线模型不会自动替换流式模型、VAD 或标点模型。两遍识别出现“中间结果与最终结果不同”，本身也不是模型加载错误的证据；需要结合各阶段输出与实际构造参数判断。

2. 检查正在使用的脚本，而不只看 pip 版本

原始修复 #3887指出了硬编码问题；保留作者历史的集成 #3888已合并。修复后的离线构造器使用 model=args.asr_model 和 model_revision=args.asr_model_revision，默认配置仍是 paraformer-zh 与 v2.0.4。

可对照固定提交中的服务源码。如果你运行的是复制到其他目录的脚本，升级根包 funasr 并不会替换那份文件。记录实际脚本路径、源码提交、Python 环境和权重文件 SHA256，才能判断升级是否进入了真正的服务入口。

3. 运行一个只读源码检查

将下面的检查脚本放在独立文件中，以实际服务脚本路径作为唯一参数运行。它只用 Python 标准库读取并解析源码，不导入服务模块；直接导入服务脚本可能触发模型初始化，不能当作轻量检查。

import ast
import hashlib
import json
from pathlib import Path
import sys

path = Path(sys.argv[1])
raw = path.read_bytes()
tree = ast.parse(raw, filename=str(path))
calls = [node.value for node in tree.body
         if isinstance(node, ast.Assign)
         and any(isinstance(target, ast.Name) and target.id == "model_asr"
                 for target in node.targets)]
assert len(calls) == 1 and isinstance(calls[0], ast.Call)
options = {item.arg: ast.unparse(item.value) for item in calls[0].keywords}
print(json.dumps({
    "sha256": hashlib.sha256(raw).hexdigest(),
    "offline_model": options.get("model"),
    "offline_revision": options.get("model_revision"),
}, indent=2))

python audit_model_options.py /path/to/FunASR/runtime/python/websocket/funasr_wss_server.py

对于上面引用的修复源码，两个输出应为 args.asr_model 和 args.asr_model_revision。若输出仍是字符串常量，说明这份脚本没有使用对应参数。若自定义脚本改变了顶层结构，检查会失败，需要人工检查构造路径；这个小脚本不是任意 Python 程序的通用分析器，也没有验证当前服务进程加载了该文件。

4. 参数路由正确之后，还要验证什么？

在隔离环境中使用已获授权的本地权重，分别检查默认配置、自定义模型路径和自定义版本。对于本地目录，版本字符串不能代替文件哈希；对于远端模型标识，也要记录实际解析到的权重版本。模型、配置和前端必须相容，不能只因路径可读就判断可部署。不要在共享服务上直接替换依赖或权重。

这次修复已有默认与两组模型路径、两组版本的五种真实 CUDA 路由验证，使用真实 AutoModel 和本地小型合成权重，共十条输出。它覆盖的是“指定参数到达指定模型”，不是预训练模型的识别质量、并发容量、完整 WebSocket 网络链路或生产服务升级。

下一层验收应使用你有权处理的录音，分别保留流式和最终结果，检查漏字、专名、断句与时间戳，再评估延迟和并发。私有录音、转录和绝对路径不要贴到公开 issue；可以先提供去敏配置和可公开的最小复现。

把配置问题与识别问题分开

如果源码路由正确，但术语仍不理想，再核对热词链路和模型能力；如果句尾内容丢失，则继续检查音频边界与 VAD。每次只改变一项配置，保留输入与逐条结果，能让下一步排查有明确依据。

下一步可参考会议转写验收清单，为自己的录音建立配置、文本和时间戳对照记录。