modelscope-funasr目前版本支持 实时多人对话语音识别吗？

目前，modelscope-funasr（即阿里云Paraformer实时语音识别服务）在多人对话语音识别方面的能力存在一定的限制。以下是详细解答：

1. 实时语音识别支持的功能

根据知识库资料，Paraformer实时语音识别服务支持以下功能： - 流式输入与输出：可以实时处理音频流并返回文本结果。 - 自动说话人分离：此功能在Paraformer实时语音识别中不支持，但在Paraformer录音文件识别中可以通过diarization_enabled参数开启。 - 多语言和多方言支持：支持包括中文普通话、多种方言（如粤语、东北话等）、英语、日语、韩语等多种语言的自由切换。

2. 多人对话语音识别的现状

• 实时语音识别：目前的实时语音识别服务无法直接区分多个说话人。如果需要实现多人对话的识别，建议在存储录音时按照角色分类存储，并结合业务逻辑自行判断角色身份。
• 录音文件识别：虽然实时语音识别不支持说话人分离，但录音文件识别支持通过diarization_enabled参数开启自动说话人分离功能，并可通过speaker_count参数查看说话人数量。因此，对于多人对话场景，推荐使用录音文件识别服务。

3. 解决方案建议

如果您需要实现实时多人对话语音识别，可以考虑以下方案： 1. 后处理分离角色：在实时语音识别的基础上，通过业务逻辑或第三方工具对音频进行后处理，手动或自动标注不同说话人的角色。 2. 录音文件识别：将实时音频流缓存为录音文件后，调用录音文件识别服务，并启用diarization_enabled参数以实现说话人分离。 3. 端云结合方案：在设备端使用唤醒模型初步分离说话人，然后将音频上传至云端进行二次确认，从而降低误唤醒率并提高识别准确性。

4. 重要提醒

• 实时语音识别的局限性：目前实时语音识别服务不支持自动说话人分离功能，请根据实际需求选择合适的识别方式。
• 录音文件识别的优势：如果您的应用场景允许延迟处理，建议优先使用录音文件识别服务，其支持说话人分离和更复杂的后处理功能。

综上所述，modelscope-funasr目前版本的实时语音识别服务不直接支持多人对话语音识别，但可以通过录音文件识别服务或后处理方案实现类似功能。