FunASR项目中的音频转写问题分析与修复

在FunASR这个语音识别开源项目中，近期发现了一个影响音频转写准确性的重要问题。这个问题出现在runtime/python/onnxruntime/funasr_onnx/sensevoice_bin.py文件中，涉及到两个关键的技术点。

问题背景

FunASR是一个功能强大的语音识别框架，支持多种语音处理任务。在最新的master分支代码中，开发人员发现当使用ONNX运行时进行音频转写时，会出现两个明显的问题：

1. 类型错误：NumPy数组调用了PyTorch风格的argmax方法
2. 逻辑错误：使用了不正确的unique函数实现

问题一：类型不匹配错误

在原始代码的第186行，开发者尝试对NumPy数组x调用argmax方法时，错误地使用了PyTorch风格的dim参数：

yseq = x.argmax(dim=-1)

这会导致运行时错误，因为NumPy的argmax方法并不接受dim参数。正确的NumPy实现应该是：

yseq = np.argmax(x, axis=-1)

这个错误直接导致程序无法继续执行，是必须首先修复的致命错误。

问题二：逻辑实现错误

在修复第一个问题后，第二个问题变得更加明显。原始代码在第187行使用了：

yseq = np.unique(yseq)

这与原始PyTorch实现中的torch.unique_consecutive函数有本质区别。np.unique会返回排序后的唯一值，而torch.unique_consecutive则保留原始顺序，仅去除连续重复的值。

这种差异会导致转写结果出现严重错误。例如，测试音频"en.mp3"的正确转写应为： "the tribal leader called for the boy and presented him with fifty pieces of gold"

但错误实现会输出： "the and of for with him fifty calledthe boy presented pieces goldtain tribal leader"

技术影响分析

这两个问题对语音识别系统的准确性产生了严重影响：

1. 第一个问题直接导致程序崩溃，属于明显的实现错误
2. 第二个问题更加隐蔽，会导致转写结果乱序，影响用户体验

在语音识别系统中，保持token序列的顺序至关重要。np.unique的错误使用会破坏原始语音特征的时间顺序信息，导致语义完全改变。

解决方案

正确的修复方案应该：

1. 使用NumPy风格的argmax调用
2. 实现与torch.unique_consecutive等效的函数

一个可能的实现方式是：

yseq = np.argmax(x, axis=-1)
# 实现unique_consecutive功能
yseq = yseq[np.concatenate(([True], yseq[1:] != yseq[:-1]))]

总结

这个案例展示了在深度学习框架中，不同计算库(如PyTorch和NumPy)API差异可能带来的问题。开发者在进行框架迁移或实现时，必须特别注意：

1. 不同库之间API的细微差别
2. 看似相似的函数可能有完全不同的语义
3. 语音识别系统中序列顺序的重要性

FunASR团队已经快速响应并修复了这个问题，确保了语音转写功能的准确性和稳定性。这个案例也为其他开发者提供了宝贵的经验：在跨框架开发时，必须仔细验证每个函数的实现细节。