（1）现在的示例代码跑较短的音频效果很好！但是跑超过30mins的音频时输出就很奇怪（不确定是不是切分错误的原因）。希望官方能够提供一个解析长音频的示例代码！
（2）如果可以添加说话人识别就跪谢了，目前用的funASR，框架支持直接在构建pipeline中导入SD模型，不知道GLM后续会不会和funASR框架整合呢？

示例音频：https://www.modelscope.cn/datasets/modelscope/AliMeeting/dataPeview