FunASR项目中热词模型finetune兼容性问题分析与解决方案

问题背景

在使用FunASR 1.0.14版本进行contextual_paraformer和seaco_paraformer热词模型finetune时，用户遇到了两个关键错误：

1. contextual_paraformer模型：在训练过程中出现TypeError: embedding(): argument 'indices' (position 2) must be Tensor, not NoneType错误，经排查发现hotword_pad变量为None值。

2. seaco_paraformer模型：训练时出现TypeError: int() argument must be a string, a bytes-like object or a number, not 'list'错误，原因是lengths变量被处理为二维列表而非预期的格式。

技术分析

contextual_paraformer问题

该问题源于热词嵌入层的输入数据异常。在contextual_paraformer模型中，hotword_pad本应是包含热词索引的张量，但实际却为None。这表明：

1. 数据预处理阶段可能未能正确提取或传递热词信息
2. 数据加载器配置可能不完整
3. 模型期望的输入格式与实际提供的数据格式不匹配

seaco_paraformer问题

该问题发生在序列长度处理环节。模型期望获取单个序列的长度值，但实际得到的是二维列表。这表明：

1. 数据批处理阶段可能存在格式转换问题
2. 数据预处理步骤可能未正确归一化序列长度信息
3. 模型配置与数据加载器之间存在兼容性问题

解决方案

安装与环境配置

建议通过源代码安装最新版本，而非直接使用pip安装的1.0.14版本。这可以确保获得最新的兼容性修复和功能更新。

contextual_paraformer配置要点

1. 确保数据加载器配置正确使用AudioDatasetHotword数据集类
2. 检查热词数据是否已正确预处理并包含在训练数据中
3. 验证模型配置文件中热词相关参数是否设置正确

seaco_paraformer特殊配置

seaco_paraformer模型需要额外配置seaco_id参数，该参数应设置为8377。这是模型架构中的特殊标识符，用于区分不同的热词处理方式。

最佳实践建议

1. 参考官方示例：使用项目提供的示例脚本作为基础，如examples/industrial_data_pretraining/seaco_paraformer/finetune.py

2. 配置文件检查：仔细核对模型配置文件，确保所有热词相关参数正确设置

3. 数据预处理验证：确保训练数据中包含有效的热词标注，并且预处理步骤正确提取了这些信息

4. 版本一致性：保持FunASR框架、模型实现和示例代码的版本一致，避免因版本差异导致的兼容性问题

通过以上措施，可以有效解决热词模型finetune过程中的兼容性问题，确保模型能够正确接收和处理热词信息，实现预期的性能提升。