fix(auto-model): preserve VAD segments on punctuation mismatch

[LauraGPT]

Summary

• fall back to VAD-aligned sentence records when a sized punctuation array cannot align with ASR timestamps
• keep each fallback segment as string text, strip SenseVoice rich tags, and preserve per-token timestamps
• add a regression test for long-audio punctuation mismatch collapsing multiple VAD chunks into one list-valued sentence

Fixes #3416.

Validation

• python -m unittest tests.test_punc_model_none tests.test_auto_model: 18 passed
• python -m compileall -q funasr/auto/auto_model.py tests/test_punc_model_none.py: passed
• reporter attachment 103.mp3: 199 VAD segments; before 1 list-valued sentence_info, after 199 string-valued segments
• reporter attachment 2980.mp3: remains 150 sentence segments; result JSON SHA-256 unchanged (77ad4e8e709723ceb1ef55738a91af95b0aaca1467d27e857214fcc55e9b6ee5)
• git diff --check: passed

Full-file Black check is already non-clean for both files on origin/main; no unrelated formatting changes are included.

[gemini-code-assist]

Caution

The consumer version of Gemini Code Assist on GitHub has been sunset. All code review activity has officially ceased.

[dearvcc]

很奇怪同样的文件，在您那边会有不一样的表现，我这里还有三条断句不成功的音频, 若需要的话, 我可以继续上供。
谢谢您的耐心, 祝成功!

[dearvcc]

升级到最新的1.3.30以后, 用以前曾经有问题的音频重新做了测试, 确实有了进步, 但也确实与大多数正常的音频文件还是有所差别:
这是上次上传的 <<2980>>的那个音频的直接下载地址, 后面是输出的结果, 前两句就是大长句, 明显感觉断句不合理, 后面基本上都正常了.

其它有问题的音频也是差不多的情况, 只不过有的问题句是在中间,位置,我也附上了另两个有问题的音频和问题句.

http://devv.cc:8999/mp3/2980%E4%B9%B0%E5%BC%A0%E5%9C%B0%E7%8B%B1%E9%97%A8%E7%A5%A8%EF%BC%8C%E4%B8%80%E5%8D%83%E4%B8%87%E6%8D%A2%E6%9D%A1AI%E5%9B%9E%E5%A4%8D%EF%BC%81_%E8%B4%A2%E7%BB%8F%E5%A4%A7V%E7%94%A8AI%E8%87%AA%E5%8A%A8%E5%9B%9E%E5%A4%8D%E6%94%B6%E5%89%B2%E5%8D%83%E4%B8%87%E6%95%A3%E6%88%B7%EF%BC%8C%E7%9F%A5%E8%AF%86%E4%BB%98%E8%B4%B9%E6%88%90%E9%9F%AD%E8%8F%9C%E5%B1%A0%E5%AE%B0%E5%9C%BA%E3%80%82%E2%80%8B%23%E8%B4%A2%E7%BB%8F%E5%A4%A7V%E7%BF%BB%E8%BD%A6%20%23%E4%BB%BB%E6%B3%BD%E5%B9%B3%20%23%E5%85%A8%E7%90%83%E5%88%9B%E4%BD%9C%E8%80%85%E8%AE%A1%E5%88%92%20%23%E9%9B%B6%E5%9F%BA%E7%A1%80%E7%9C%8B%E6%87%82%E5%85%A8%E7%90%83.mp3

0.75-29.91 一个男人花了两千九百八十块给自己买了一张通往地域的单程票他建了一个群群名叫泽平宏观 v i p 群三十群四百九十四个人每人两千九百八十这一间教室收了一百四十七万而这样的教室他们有几十间他叫任泽平前券商首席经济学家后来自己当了校长收学费的那种课程分三档两千九百八十的年度会员四万八千的商学院十二万的司董会从兜里只有几万块的散户到身家过亿的企业老板
30.43-60.07 他一个都不跳照单全收他卖的是什么不是客是一个故事二零二四年九月他开始讲信心牛科技牛二零二六年还在喊 a i 不是风口是海啸算力芯片是核心主线六月市场跌了他说黄金坑七月初又跌了他说调整就是上车机会从头到尾他只说一个字买他不推个股只推赛道他不让你下单只要你相信你信了他己跑去买了得名利江波龙
60.35-60.8 加了杠杆
61.14-61.86 满仓干进去
62.35-63.67 七月中旬科技股暴跌
64.11-65.01 得名利一字跌停
65.52-65.82 连着跌
66.23-66.71 股价腰斩

<<103>>音频:

http://devv.cc:8999/mp3/%E9%9C%87%E6%83%8A%E5%8C%97%E7%BE%8E%EF%BC%81103%20%E5%88%80%E5%88%BA%E5%90%91%E9%99%8C%E7%94%9F%E4%BA%BA%EF%BC%8C%E4%BB%96%E5%92%8C%E5%8F%B2%E6%B3%B0%E9%BE%99%E6%9C%89%E5%95%A5%E5%85%B3%E7%B3%BB_%23%E5%86%85%E5%AE%B9%E8%BF%87%E4%BA%8E%E7%9C%9F%E5%AE%9E%23%E7%A4%BE%E4%BC%9A%E7%99%BE%E6%80%81%23%E5%A8%B1%E4%B9%90%23%E7%83%AD%E9%97%A8%23%E6%AD%A3%E8%83%BD%E9%87%8F.mp3

0.0-25.41 今天我们来看的这起案件震惊了北美他是一件伤尸命案失害者是华人受害者其中一人也是华人而失害者和受害者根本不认识他又为什么犯下这起残忍的命案呢另外警方为了取得犯罪嫌疑人 d n a 采用了特殊非常规的手段派出一位美丽女警亲自上阵用特殊的方法最后得到了犯罪嫌疑人 d n a 我们一起来看这起案件
28.76-58.34 案件发生在二零一七年地点在温哥华这是一个华人非常熟悉的加拿大城市的名字在九月二十七号这天一名叫做安东尼男子给警方拨打了一个电话他说他就在同事马安娜的家门口马娜和安东尼都是当地康复医院的治疗师因为马娜今天早上没有按时到康复医院这和他平时的习惯完全不一样同事们都不放心了于是安东尼就自告奋勇他亲自来到了马安娜家里
58.72-64.48 他对警方说他来到时候发现麻娜的家门是开着的而且他刚走进一步
64.9-67.96 就在门口发现了一个非常明显的血脚印儿
68.35-70.96 他再次一看全屋全都是血迹
71.82-75.0 于是他赶紧打了报警电话希望警方来看一下
75.41-77.57 到底发生了什么样的可怕事件

中间还有两句:

360.27-389.91 虽然是名校经济学毕业但是在毕业之后他并没有找到核心的工作他又想自己创业但是也没有成功开始他心怀斗志但是随着时间流逝他开始慢慢躺平在他毕业之后的三年里他一直处于啃老状态所有他的日常干校都由父母提供而他做什么呢完全沉迷网络成为了重度的游戏成瘾者每天玩游戏的时间能长达十二到十五个小时而他最爱的游戏都是那些暴力的游戏
390.34-419.92 而到了二零一七年六月份甘伟男为了不再听家里的唠叨他干脆一个人从卡尔家里搬到了温哥华而他搬到温哥华不到三个月的时间就发生了如此的惨案警方对甘伟男审讯并不顺利警方在长达九个小时询问当中不管用什么方法晓之以理动之以情或者想用闲聊的方式和甘伟男拉近距离但是都是一无所获比如说警方从甘伟男的名字开始跟他聊起因为甘伟男的名字

以及最后几句:

660.0-689.82 不存在精神解离他的杀人只为了体验杀戮的掌控感到了二零二零年的六月十一号法官宣判两项一级谋杀罪名全部成立否定了游戏免责的这套说辞但是在二零二零年七月二十八号最终对甘伟南的量刑当中法官还是网开了一面因为检方的诉求是两项终身监禁连续执行合计五十年不得假释但是最后法官的裁决是两项终身监禁
690.01-719.65 禁同步执行二十五年之内禁止申请假释所以甘伟南有可能在他入狱二十五年之后得到假释甘伟南有着良好的教育背景没有原生家庭创伤也并非走投无路然而他自己去选择了躲避现实完全沉溺于虚拟的世界他想通过这种方式来满足自己的掌控感而恰恰是这种做法他放任了自己共情能力的退化最终把游戏的暴力投射在真
720.02-749.78 失的生活当中夺走了两条无辜的生命也毁掉了自己的一生虚拟世界带来快感并不能解决现实当中的空虚而意识逃避并不是困难的解决方式反而有可能让人滑向无底的深渊那么您认为甘美南真正的行凶动机是什么呢也欢迎您把您的想法看法写在评论区里关注艾伦说我们一起来看这大千世界还有何等其事我们下次见休息
750.57-750.87 休息

最后一个文件:

http://devv.cc:8999/mp3/%E5%BD%93%E4%B8%AD%E5%9B%BD%E5%BC%80%E6%BA%90%E6%A8%A1%E5%9E%8B%EF%BC%8C%E8%B5%B6%E8%B6%85%E7%BE%8E%E5%9B%BD%E9%97%AD%E6%BA%90%E6%A8%A1%E5%9E%8B%EF%BC%8C%E4%BC%9A%E5%8F%91%E7%94%9F%E4%BB%80%E4%B9%88%20%23glm52%20%23kimik3%20%23deepseekv4%20%23%E5%BC%80%E6%BA%90%E5%A4%A7%E6%A8%A1%E5%9E%8B.mp3

0.09-29.85 大家好今天我们聊聊一个正在发生但大多数人还没意识到严重性的事情中国开源模型正在逼近一个临界点今天我们不只聊新闻我们要认真推演一下当中国开源模型正式宣布超越美国闭缘模型的那一天世界会发生什么这不是杞人忧天这是我们这一代人即将面对的可能比互联网诞生更重要的历史转折就在几天前七月十六号月之暗面发布了kimi k 三一个两点八万亿参数的开源模型这个数字
30.01-59.26 意味着它是全球最大的开源权重语言模型更关键的是他在 frontend code arena 编程基准测试上拿了一千六百七十九分超越了 anthropic cloudfi 五和 open a i 的 g p t 五点六 so这是开源模型第一次在主流编程基准上同时击败两大美国闭缘器间华尔街的反应有多剧烈费城半导体指数一周暴跌百分之十二点五全球 a i 相关股票在七十二小时内蒸发了四千七百亿美元摩根大通直接给他贴了个标签
60.41-61.37 时克二点零
61.73-63.32 但这只是kimi k 三一家的事吗
63.96-64.74 往前翻一个月
65.29-66.91 智朴发布了 g l m 五点二
67.33-69.91 七百五十三亿参数一百万 token上下文
70.31-71.27 m i t 开源协议

中间有好几句:

239.93-269.63 美国 a i 公司零点已经转向了 deeps v 四 cursor 的旗舰编程模型 composer 二点五底层跑的是 kmi k 二点五 coininb 在使用 g m 五点二他甚至说在他的视频评论区不断有人留言说自己的公司已经把大量工作负载从美国闭源模型迁移到了中国开源模型原因只有两个更便宜可控性更强 open out 的数据更直观中国模型目前占旗企业 token 使用量的百分之四十六注意是全球企业的 token 使用量不
269.94-299.64 是中国公司ds 一家就占了百分之十七点六的 token 份额中国开源模型的每洲 token 处理量已是美国模型的三倍 open ai 的 sam alman 已经公开说愿意降价百分之七十五它被逼的被中国开源模型逼的但这里有一个极其讽刺的数据中国模型虽然在 token 数量上碾压但在收入份额上只占约百分之一百分之四十六的 token 量百分之一的收入为什么因为实在太便宜了 deeps 开源的策略就是不靠 api i 赚钱
299.95-329.77 靠的是生态靠的是占领靠的是让你离不开我而美国碧缘公司呢他们的商业模式建立在每百万 token收你几十美元的逻辑上这个逻辑正在崩塌好了这就是我们现在所处的世界中国开源模型距离美国碧源只差两到六个月某些细分领域已经反超价格却是对方的几十分之一到几百分之一 u ber克ley的教授 aonica说差距只有两到三个月美国企业研究所的研究员说就是几周的事差距在以肉眼可见的速度消失但到现
330.02-359.72 在为止我们聊的都还是已经发生的事真正有意思的问题在后面现在请你跟我一起做一次严肃的思想实验假设下一次不是差不多追平不是某些细分领域反超而是中国开源模型在主流综合基准上全面超越美国最新的闭缘模型这一天可能发生在三个月后也可能就是下一次发布当这一天到来时世界会发生什么先说金融层面坦率的讲这是最直接最暴力的冲击闭缘模型的议价权将瞬
360.21-389.85 归零你想想看你是 open a i 的客户每年花几百万美元买 a p i 调用然后你发现一个免费开源的模型性能比你买的那个还要好你会怎么选这不是一个选择这是一个生存问题你的竞争对手用了这个免费模型成本比你低了几十倍效率还更高你凭什么不用这个时刻来临时 open a i 和 anthropic 现在的估值逻辑将彻底崩塌一个年化收入两百五十到三百亿美元的公司如果它的核心产品突然可以被免费替代它值多少
390.52-419.74 答案是零这件事在软件行业发生过无数次 linux 取代 unix myxico 取代 oracle 开元每次都赢了 a i 不会是例外历史不会在这件事上破例你信不信每股 a i 板块将面临比今年七月 kmi k 三引发的暴跌更严重的冲击那一次只是预警下一次是核弹不只是芯片股整个 a i 估值体系都会被重新定价目前 a i 相关公司的市值从二零二二年底以来膨胀了约二十七万亿美元
420.27-449.61 高盛已经在警告盈利泡沫的风险如果中国开源模型真正超越这个泡沫的破灭将不是渐进式的而是悬崖式的但这不是世界末日这是一次剧烈的价值重分配我跟你说这才是最精彩的部分资本将从模型层大规模转向应用层过去几年全世界最聪明的钱都在往基础模型里砸因为大家都相信谁能造出最强的模型谁就赢但现在中国的实践证明模型本身会变成水电公路一样的基础设施
450.1-479.8 它是重要的但它不是稀缺的真正稀缺的是在模型之上构建杀手级应用的能力这意味着什么意味着 a i 行业的重心将从训练转向推理从模型研发转向产品创新这件事已经在发生了 trend force 的数据显示二零二六年北美五大云服务商的 a i 推理算力将暴涨百分之一百二十二远远超过训练算力百分之五十六的增长模型做的再好最终赚大钱的是那些用模型解决问题的人不是造模型的人接下来这件事可能