FunASR项目中Whisper模型语言识别不一致问题分析

问题背景

在FunASR语音识别项目中，用户报告了一个关于Whisper模型的有趣现象：当使用不同版本的FunASR框架时，相同的Whisper模型对同一音频文件的识别结果会出现语言不一致的情况。具体表现为，在FunASR 1.0.27版本中能够正确识别为中文内容，而在1.0.28及以上版本中却被识别为英文。

问题复现

用户提供的测试代码使用了本地下载的Whisper-large-v3模型，音频内容为中文测试语句："测试一下翻译功能，这是第一句，这是第二句，这是第三句，这是第四句，这是第五句，好的结束"。在1.0.27版本中能够正确识别为中文，但在更高版本中却被错误地识别为英文："Test the translation function..."。

问题根源分析

经过深入调查，发现问题出在FunASR 1.0.28版本的whisper/model.py文件中第115行代码。该行代码硬编码了语言参数为'english'，而不是从函数参数中获取用户指定的语言设置：

result = whisper.decode(self.model, speech, language='english')

这种硬编码方式直接覆盖了用户通过generate()方法传递的language参数，导致无论用户指定什么语言，模型都会强制使用英语进行识别。

解决方案

FunASR团队在最新版本中已经修复了这个问题。现在推荐的使用方式是通过DecodingOptions字典来配置识别参数：

DecodingOptions = {
    "task": "transcribe",
    "language": None,  # 可设置为特定语言代码
    "beam_size": None,
    "fp16": True,
    "without_timestamps": False,
    "prompt": None,
}
res = model.generate(
    DecodingOptions=DecodingOptions,
    batch_size_s=0,
    input="audio.wav",
)

这种设计更加灵活，允许用户精细控制各种解码参数，包括但不限于语言设置。

技术建议

对于语音识别系统的开发者，在处理多语言识别时应当注意以下几点：

1. 语言参数传递应当保持一致性，避免在中间处理层覆盖用户设置
2. 对于Whisper这类多语言模型，明确指定语言参数通常能获得更好的识别效果
3. 在系统升级时，应当仔细检查参数传递链是否完整
4. 对于关键功能变更，应当在版本更新说明中明确标注

总结

这个案例展示了开源项目中版本兼容性和参数传递一致性的重要性。FunASR团队及时响应并修复了这个问题，现在用户可以通过更灵活的接口配置来控制Whisper模型的识别行为。对于开发者而言，这也提醒我们在使用第三方库时需要注意版本差异，并在遇到问题时及时检查更新日志或提交issue。