funasr有没有类似于faster_whisper的whisperModel().transcribe的功能，可以获取segments?

[liuchangzong]

我有这样一个需求，我想要找到某一句话对应的语音在视频中的位置，然后用剪辑工具将这句话的视频剪辑出来，也就是说，我需要知道语音在视频中的起始和终止位置。

在faster_whisper中有这样一个功能：

from faster_whisper import WhisperModel, BatchedInferencePipeline

model = WhisperModel("medium", device="cuda", compute_type="float16")

batched_model = BatchedInferencePipeline(model=model)

segments, info = batched_model.transcribe("audio.mp3", batch_size=16)

for segment in segments:

    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

可以输出语音和语音对应的时间位置。这样我就可以找到这段语音对应的视频，并将视频截取出来。

那么在funasr中也有这样的功能嘛？

在funasr中也提供了这样的模型，但是我尝试了一下，

from funasr import AutoModel

model = AutoModel(model="fsmn-vad", model_revision="v2.0.4")

wav_file = f"{model.model_path}/example/asr_example.wav"
res = model.generate(input=wav_file)
print(res)

但我发现vad模型输出的时间分段每一段都太长了，不是一句话，而是近乎一个段落。

而如果我用：

from funasr import AutoModel
model = AutoModel(model="paraformer-zh", model_revision="v2.0.4",
                  vad_model="fsmn-vad", vad_model_revision="v2.0.4",
                  punc_model="ct-punc-c", punc_model_revision="v2.0.4",
                  # spk_model="cam++", spk_model_revision="v2.0.2",
                  )
res = model.generate(input=f"{model.model_path}/example/asr_example.wav", 
            batch_size_s=300, 
            hotword='魔搭')
print(res)

那么它只能输出一段带上标点的识别文字，我仍然无法知道每一句话对应的位置。

我该如何解决这个问题呢，如蒙赐教，万分感谢！

PS：我找不到关于funasr的文档，不知道这个funasr到底拥有哪些函数，只找到了一些例子，这是否意味着funasr就只有例子中的那些方法呢？
此外，whisper我也没有找到相关的文档

[dthcle]

有带时间轴功能的模型 你跑一下时间轴然后手动处理一下？
模型名
speech_paraformer-large-vad-punc_asr_nat-zh-cn-16k-common-vocab8404-pytorch