不确定要不要上 MiDashengLM-Spatial，先别从模型名字入手，从你要的答案入手：如果需求里必须回答“声音从哪个方向来、几个声源、谁在说话”，这是空间音频理解；如果只需要回答“说了什么”，那属于普通语音识别，接一般 ASR 就够了。MiDashengLM-Spatial 这类带空间建模的模型通常要求多声道素材和对应采集链路，素材被单声道折叠后，空间信息就没了，此时引入它意义不大。下面按需求归类、素材检查、已知方位试跑三步给出可执行判断，并列出不适配场景和结论模板，你照着自己场景填一遍即可。

判断是否该上 MiDashengLM-Spatial，可用三步：一是把需求拆成“答案是否必须包含方向”的问题，只在必须包含方向时考虑该模型；二是检查素材声道数、录制方式和是否被转码折叠，单声道素材通常拿不到可用空间信息；三是用一段已知方位的素材试跑，记录输入声道与输出是否给出方向或声源分离结果。三步都成立再上，任一不成立就先退回普通语音识别或其他方案，边界是需要结合具体采集环境和模型输出格式确认。

把需求拆成方位问题和内容问题两类

先写下你的系统最终要输出什么，不要先想模型能做什么。判断标准很简单：把方向信息从答案里删掉，答案是否还成立。删掉仍然成立，就是内容问题；删掉就不成立，才是方位问题。

归到“方位问题”的例子，通常具备这些特征：需要区分同一时刻多个说话人各自在哪个方位；需要判断声音来自设备的前方、左侧、右后方之类相对方位；需要在会议、车内、机器人拾音等场景里把语音和方位一起交给下游做决策。如果需求里出现“谁在说、从哪边说、几个方向、转向声源”这类词，先按方位问题对待。

归到“内容问题”的例子：把录音转成文字、做字幕、做关键词抽取、做语音指令识别、做会议纪要。这些需求即使来源是多麦克风阵列，只要最终不要方向，普通语音识别链路通常就够用，接入空间模型只会增加链路复杂度。

• 记录一条需求时，写清输入是什么、输出字段有哪些、方向字段是否必需。
• 方向字段可选的需求，先按内容问题处理，避免一开始就绑死采集硬件。
• 方向字段必需的需求，再进入下一步检查素材，不要在没素材时先搭模型。

确认手上素材是否保留了方位线索

空间信息来自声道之间的差异，没有多声道素材就没有可用的空间线索。检查从采集端开始，一直查到送进模型前的最后一个文件，每一环都可能把声道折叠掉。

素材检查方法

1. 看原始录制方式：是单麦克风、多麦克风同步录制，还是阵列设备直出的多轨文件。单麦克风录制通常只能给出内容，给不出方向。
2. 看声道数：用常见工具确认文件实际声道，不要只看文件扩展名。例如用 ffprobe 查看流信息，重点看 channels 和 channel_layout 字段。
3. 查是否被转码或拼接折叠：中间经过混音、单声道导出、格式转换、剪辑软件合并轨道的文件，即使原始是多声道，也可能已经变成单声道。
4. 查送进模型的路径：确认预处理脚本、上传接口、存储服务没有做声道合并或重采样降级。

ffprobe -v error -show_entries stream=index,codec_type,codec_name,channels,channel_layout -of default=noprint_wrappers=1 input.wav

判定标准可以先用保守口径：输出 channels 为 1，按内容问题处理，不要指望空间模型给出方向；channels 大于 1 且各声道来自不同位置的同步采集，才有继续试跑的价值；如果文件是多声道但来自同一位置的重复信号，方向线索同样无效，需要回到录制方式确认。具体到你的设备和采集配置，必要时用一段已知方位的素材回放核对。

用一段已知方位的素材做试跑验证

试跑的目的不是评估模型好坏，而是确认它回答的是不是你要的那类问题。准备一段你明确知道声源方位的短素材，例如已知声音来自左侧或正前方的录音，然后固定输入、记录输出。

试跑记录方式

• 输入侧记录：文件名、声道数、采样率、录制设备摆放、声源真实方位。
• 输出侧记录：模型返回的是纯文本转写，还是带方位、声源编号、时间片的结构化结果；字段名和取值形式原样抄下来。
• 过程侧记录：调用命令或请求体、预处理步骤、是否改动过声道。

# 通用接入骨架，占位符按你的实际服务替换
curl -s -X POST "$SPATIAL_ENDPOINT" \
  -H "Content-Type: application/octet-stream" \
  `--data-binary` @known_left_source.wav \
  -o spatial_out.json

# 先看返回结构里有没有方位类字段
python3 -c "import json;d=json.load(open('spatial_out.json'));print(list(d.keys()))"

判断标准：输出里出现可读的方向描述、声源编号或方位类字段，并且与你已知的真实方位大体对应，说明它回答的是方位问题；输出只有文字转写、字段里没有任何位置信息，说明在这条链路上它只解决了内容问题，你的方位需求还没有被满足，需要回头检查素材声道和预处理，而不是直接换模型。

试跑只跑一段素材不足以下结论，建议换两到三个不同方位的素材重复一次，观察输出是否随方位变化。这一步只是配置和行为层面的核对，不涉及对效果的量化评价。

划出不该用它的场景

下面这些需求交给其他方向更合适，硬套空间模型往往只是增加链路成本。

• 纯转写、字幕、会议纪要、语音指令：按内容问题处理，普通语音识别链路即可，除非后续确实要加方位字段。
• 只有单麦克风录音或历史单声道存档：没有方位线索，空间模型无法凭空补出来，先解决采集侧问题。
• 素材来源混杂、多数已被转码折叠：先梳理采集和存储链路，不要用模型去弥补声道缺失。
• 只需要区分说话人、不需要位置：说话人分离类能力通常更贴合，属于内容侧任务，不必引入方位建模。
• 实时性要求紧、链路改动受限：空间模型通常需要多声道输入和额外预处理，先评估采集与传输能否承担，再决定是否引入。

这些只做任务类型层面的判断。具体到某个模型是否支持你的输入格式、输出字段能否被下游消费，需要结合你所用版本的接口说明和实际返回确认。

给出选型结论模板

把上面三步的结论填进下面四个字段，基本就能得出该不该上。字段少但都必须有依据，缺一项就先补一项。

任务类型：方位问题 / 内容问题
依据：答案删除方向信息后是否仍成立（写一句具体需求）

素材条件：声道数、录制方式、是否被折叠
依据：ffprobe 的 channels 与 channel_layout 输出，以及采集链路说明

试跑结果：输出是否含方向或声源信息，是否与已知方位对应
依据：输入素材已知方位 + 返回字段原样记录

结论：上 / 暂不上 / 先修素材链路

填写示例：某会议室拾音需求，要输出“谁在说、从哪边说”，删除方向后答案不成立，任务类型填方位问题；素材为阵列设备直出四声道文件，ffprobe 显示 channels 为 4，未被转码折叠，素材条件填可用；用一段已知左侧声源的素材试跑，返回结构里含声源编号和方位描述，且与真实方位大体对应，试跑结果填通过；结论填“上”，同时保留普通语音识别作为内容侧兜底。反之，若素材只有单声道，或试跑返回全是纯文本转写，结论填“先修素材链路”或“暂不上”，按内容问题推进。