FunASR下面的llama.cpp是否支持说话人分离CAM++？

[HorseLuke]

如题，找了很久没发现有文档说这个问题。

[yulinlina]

不支持。llama.cpp 只负责 LLM 文本推理，不处理音频前端、VAD、说话人嵌入或聚类，所以它本身不能接 CAM++ 做说话人分离。

如果你想在 FunASR 里用 CAM++ 做说话人分离，应走 FunASR 的语音 pipeline，而不是 llama.cpp。例如：

from funasr import AutoModel

model = AutoModel(
    model="paraformer-zh",
    vad_model="fsmn-vad",
    punc_model="ct-punc",
    spk_model="

[LauraGPT]

补充一个更准确的说明：当前 FunASR 的 standalone llama.cpp / GGUF runtime 暂不支持 CAM++ 说话人分离，但原因不是它“只做 LLM 文本推理”。这套 runtime 已经在 C++/ggml 中实现了音频前端、Fun-ASR-Nano / SenseVoiceSmall / Paraformer ASR，以及可选的 FSMN-VAD；目前缺少的是 CAM++ speaker embedding 和后续 speaker clustering。--vad 只负责长音频分段，不会输出说话人标签。

需要说话人分离时，请使用 Python pipeline：

from funasr import AutoModel

model = AutoModel(
    model="paraformer-zh",
    vad_model="fsmn-vad",
    punc_model="ct-punc",
    spk_model="cam++",
)

Fun-ASR-Nano 的 vLLM 服务也可通过请求参数 spk=true 调用独立说话人模型。已提交 #3491，把这条支持边界和替代路径补进 llama.cpp runtime 文档。