要在ModelScope-FunASR中使用pipeline加载speaker model，你可以按照以下步骤进行操作：

1. 首先，确保你已经安装了ModelScope-FunASR库。你可以使用以下命令来安装它：

   pip install modelscope==1.12.0 funasr==1.0.10
   

2. 导入所需的模块和类：

   from modelscope import pipelines
   from modelscope.utils.constant import Tasks
   

3. 创建一个pipeline对象，并指定任务类型为语音分离（Speech Separation）：

   pipeline = pipelines(task=Tasks.SPEECH_SEPARATION)
   

4. 加载你的speaker model。假设你的speaker model文件名为speaker_model.pth，你可以使用以下代码加载模型：

   speaker_model = AutoModel.from_pretrained("path/to/speaker_model.pth")
   

5. 将speaker model传递给pipeline对象：

   pipeline.set_model(speaker_model)
   

现在，你已经成功将speaker model载入到pipeline中。你可以使用该pipeline对象来进行语音分离任务。请确保替换"path/to/speaker_model.pth"为你实际的speaker model文件路径。

在ModelScope-Funasr中使用pipeline时，可以通过以下步骤将speaker model载入：

1. 导入必要的库：首先，需要从modelscope.pipelines导入pipeline，这是使用pipeline的基本函数。同时，还需要从modelscope.utils.constant导入Tasks，这是用于指定任务类型的常量。
2. 创建pipeline实例：然后，通过调用pipeline函数并传递相应的参数来创建pipeline实例。在这个例子中，参数是'auto-speech-recognition'和'damo/speech_UniASR-large_asr_2pass-zh-cn-16k-common'，分别代表自动语音识别任务和使用的模型。
3. 加载speaker model：在创建了pipeline实例后，可以通过修改pipeline的配置来加载speaker model。具体的配置方法可能会根据实际的模型和需求有所不同。
4. 使用pipeline进行推理：最后，可以使用创建的pipeline实例进行推理，即将音频数据输入到pipeline中，然后得到识别结果。

总的来说，通过上述步骤，可以在ModelScope-Funasr中使用pipeline来加载和使用speaker model。具体的使用方法可能会根据实际的需求和模型有所不同，建议参考ModelScope-Funasr的官方文档或示例代码来获取更详细的信息。

spk_model="cam++", spk_model_revision="v2.0.2",新版本，pipeline用法与AutoModel用法完全一样。此回答整理自钉群“modelscope-funasr社区交流”