離線轉錄的準確率不佳

[aef5748]

執行這個serve_vllm.py程式後，進行post的方式來將語音檔轉換成文字，速度是很快，但是準確率蠻差的
但看FunASR-nano的官方數據CER低於10%, 但實際我驗證出來的效果卻差很多，請問主要可能是什麼原因?

這是我的測試檔案和逐字稿內容，但我執行出來的準確率很低
Case: (CER 23.88%)
YT-02.mp3
YT-02.txt

[LauraGPT]

感謝提供完整音訊與參考逐字稿。我用同一份 480 秒附件完成了復測，確認 serve_vllm.py 目前有一個會影響長音訊準確率的分段問題：獨立服務建立 FSMN-VAD 時沿用了 60 秒預設值，而 Fun-ASR-Nano 的其他範例採用 30 秒上限。原輸出中的 380.80-440.81s 長段確實漏掉了 Blackwell／產品更新與機器人討論的一大段內容。

修正已提交到 #3420。參數必須在建立 VAD 模型時傳入；傳給 generate() 不會更新 FSMN-VAD 的 VADXOptions。

同一音訊的實測結果：

指標	修正前	修正後
VAD 分段數	13	20
最長分段	60.01 秒	30.01 秒
對齊且統一簡繁後 CER	22.74%	19.63%
RTF	0.0087	0.0169

修正後，先前漏掉的段落已重新出現在輸出中；Blackwell 這類專有名詞仍可能辨識不準。

另外有兩個評測口徑需要注意：附件音訊開頭 0-17.69s 是預告內容，但參考逐字稿沒有這一段；參考稿是繁體中文，模型輸出是簡體中文。因此直接逐字比較會額外計入未對齊內容與簡繁差異。上表先移除未對齊的預告段，再將參考與輸出統一為簡體、移除標點及空白後計算。

官方低於 10% 的數字來自指定測試集，不能直接等同於任意 YouTube 錄音；口音、背景音、專有名詞與參考稿對齊都會影響 CER。不過這次確認的 60 秒長分段問題是服務實作本身的差異，PR 合併後會直接改善這條離線轉錄路徑。

[LauraGPT]

修正已合併到 main：#3420（merge commit 70c868c）。獨立 vLLM 服務現在會在建立 FSMN-VAD 時套用 30 秒分段上限；同一份 480 秒音訊的缺失段落已恢復，正規化 CER 由 22.74% 降至 19.63%。若更新到最新 main 後仍有可重現的漏字區段，歡迎附上時間範圍重新開啟此 issue。