9.5 KiB

Raw Permalink Blame History

脚本说明

环境同步脚本

厂商 GPU 镜像融合打包

NVIDIA 镜像由项目 Dockerfile.gpu 完整构建；沐曦、天数、摩尔线程等国产 GPU 推荐先导入厂商官方 vLLM 镜像，再把本项目注入进去生成融合镜像：

docker load -i metax-vllm-official.tar
docker images | grep -i -E 'metax|maca|vllm'

./scripts/package_vendor_gpu_image.sh \
  --vendor metax \
  --base-image <沐曦官方vLLM镜像名> \
  -v n260-3.7.0.38

docker pull registry.iluvatar.com.cn:10443/customer/sz/vllm0.17.0-4.4.0-x86:v5
./scripts/package_vendor_gpu_image.sh \
  --vendor iluvatar \
  --base-image registry.iluvatar.com.cn:10443/customer/sz/vllm0.17.0-4.4.0-x86:v5 \
  -v vllm0.17.0-4.4.0-v5

docker pull registry.mthreads.com/presale/devtech/vllm_musa:s4000_4.3.5_d0519
./scripts/package_vendor_gpu_image.sh \
  --vendor mthreads \
  --base-image registry.mthreads.com/presale/devtech/vllm_musa:s4000_4.3.5_d0519 \
  -v s4000_4.3.5_d0519

沐曦 GPU 的离线交付流程见 docs/metax_offline_deployment.md。天数 GPU 的离线交付流程见 docs/iluvatar_offline_deployment.md。摩尔线程 GPU 的离线交付流程见 docs/mthreads_offline_deployment.md。

输出形如：

build-file/qwen3-asr-metax-n260-3.7.0.38-amd64.tar.gz

这个压缩包就是可交付给客户的融合镜像。

脚本	说明
`./scripts/sync_gpu_env.sh`	同步根目录 NVIDIA CUDA/vLLM 环境
`./scripts/sync_metax_env.sh`	同步沐曦 MACA 环境；公共依赖来自 `environments/metax`，可选 GPU 栈默认按 `--no-deps` 从沐曦 PyPI 源安装
`./scripts/sync_iluvatar_env.sh`	同步天数环境公共依赖；GPU 栈使用天数官方 vLLM 镜像或匹配安装包
`./scripts/sync_mthreads_env.sh`	同步摩尔线程环境公共依赖；GPU 栈使用摩尔线程官方 MUSA vLLM 镜像或匹配安装包
`./scripts/sync_cpu_env.sh`	同步 CPU Rust 环境
`./scripts/sync_accel_env.sh`	自动识别 `mx-smi` / `ixsmi` / `mthreads-gmi` / `nvidia-smi` 并调用对应同步脚本

沐曦包版本可通过环境变量覆盖：

METAX_TORCH_SPEC='torch==x.y.z' \
METAX_TORCHAUDIO_SPEC='torchaudio==x.y.z' \
METAX_TORCHVISION_SPEC='torchvision==x.y.z' \
METAX_VLLM_SPEC='vllm==x.y.z' \
./scripts/sync_metax_env.sh

沐曦 GPU 栈默认使用 --no-deps 且只访问沐曦 PyPI 源，避免回退到 PyPI 后拉取 NVIDIA CUDA 包。只有确认沐曦源中包含完整 GPU 栈依赖时，才设置：

METAX_INSTALL_GPU_DEPS=true ./scripts/sync_metax_env.sh

查看沐曦源中的包版本：

./scripts/sync_metax_env.sh --list-versions torch

RMS 音频分析工具

用于分析音频文件的 RMS 能量时序，帮助确定远场声音过滤的最佳阈值。

功能特性

✅ 支持多种音频格式 (WAV, MP3, FLAC 等)
✅ 支持立体声、左声道、右声道选择
✅ 生成 RMS 时序图和分布直方图
✅ 详细的统计分析和阈值建议
✅ 可自定义分块大小（默认 240ms，与流式 ASR 一致）

安装依赖

./scripts/sync_cpu_env.sh

使用方法

基础用法

# 分析立体声音频（默认）
.venv/bin/python scripts/analyze_audio_rms.py audio.wav

# 仅分析左声道
.venv/bin/python scripts/analyze_audio_rms.py audio.wav --channel left

# 仅分析右声道
.venv/bin/python scripts/analyze_audio_rms.py audio.wav --channel right

高级用法

# 自定义阈值
.venv/bin/python scripts/analyze_audio_rms.py audio.wav --threshold 0.015

# 自定义分块大小（例如 160ms）
.venv/bin/python scripts/analyze_audio_rms.py audio.wav --chunk-size 160

# 保存图表到文件
.venv/bin/python scripts/analyze_audio_rms.py audio.wav --output analysis.png

# 仅输出统计信息，不显示图表
.venv/bin/python scripts/analyze_audio_rms.py audio.wav --no-plot

完整示例

# 分析右声道，使用 0.015 阈值，保存图表
.venv/bin/python scripts/analyze_audio_rms.py recording.wav \
  --channel right \
  --threshold 0.015 \
  --output rms_analysis.png

参数说明

参数	类型	默认值	说明
`audio_file`	必需	-	音频文件路径
`--channel`	可选	`stereo`	声道选择: `stereo`, `left`, `right`
`--threshold`	可选	`0.01`	RMS 能量阈值
`--chunk-size`	可选	`240`	分块大小(毫秒)
`--output`	可选	-	保存图表的路径
`--no-plot`	标志	-	不显示图表，仅输出统计

输出说明

统计信息

脚本会输出以下统计信息：

基础统计
- 最小值、最大值、平均值、中位数、标准差
百分位数
- P10, P25, P50, P75, P90, P95, P99
阈值分析
- 超过/低于阈值的帧数和百分比
建议的阈值
- 保守模式（高灵敏度）：P10
- 宽松模式（推荐）：P25
- 严格模式（低误触）：平均值的 50%

可视化图表

生成两个图表：

RMS 时序图
- 显示整个音频的 RMS 能量变化
- 绿色区域：近场音频（>= 阈值）
- 红色区域：远场音频（< 阈值）
- 红色虚线：当前阈值
RMS 分布直方图
- 显示 RMS 值的分布情况
- 红色虚线：当前阈值
- 橙色虚线：平均值
- 绿色虚线：中位数

使用场景

1. 确定初始阈值

录制一段包含近场说话和远场环境音的测试音频，然后：

.venv/bin/python scripts/analyze_audio_rms.py test_audio.wav

查看建议的阈值，选择合适的模式。

2. 对比不同声道

如果使用立体声麦克风，可以对比左右声道：

.venv/bin/python scripts/analyze_audio_rms.py audio.wav --channel left --output left.png
.venv/bin/python scripts/analyze_audio_rms.py audio.wav --channel right --output right.png

3. 验证阈值效果

使用自定义阈值查看过滤效果：

# 测试宽松模式
.venv/bin/python scripts/analyze_audio_rms.py audio.wav --threshold 0.01

# 测试严格模式
.venv/bin/python scripts/analyze_audio_rms.py audio.wav --threshold 0.015

# 测试保守模式
.venv/bin/python scripts/analyze_audio_rms.py audio.wav --threshold 0.005

4. 批量分析

如需批量分析多个文件，可以使用简单的循环：

#!/bin/bash
for file in recordings/*.wav; do
    echo "Analyzing: $file"
    .venv/bin/python scripts/analyze_audio_rms.py "$file" \
      --threshold 0.01 \
      --no-plot \
      --output "analysis/$(basename "$file" .wav).png"
done

输出示例

==============================================================
音频 RMS 时序分析工具
==============================================================

📁 文件: test_audio.wav
🎚️  声道: stereo
📊 分块大小: 240ms
🎯 阈值: 0.010000

正在加载音频...
✓ 使用立体声（双声道平均）
✓ 采样率: 16000 Hz
✓ 时长: 30.50 秒
✓ 样本数: 488000

正在分析 RMS 时序 (分块大小: 240ms)...
✓ 分析了 127 个音频块

==============================================================
RMS 统计分析
==============================================================

📊 基础统计:
  - 最小值: 0.000234
  - 最大值: 0.085432
  - 平均值: 0.012567
  - 中位数: 0.009234
  - 标准差: 0.015678

📈 百分位数:
  - P10: 0.002345
  - P25: 0.005678
  - P50: 0.009234
  - P75: 0.015432
  - P90: 0.035678
  - P95: 0.045678
  - P99: 0.075432

🎯 阈值分析 (当前阈值: 0.010000):
  - 超过阈值的帧数: 65 (51.2%)
  - 低于阈值的帧数: 62 (48.8%)

💡 建议的阈值范围:
  - 保守模式 (高灵敏度): 0.002345 (P10)
  - 宽松模式 (推荐):     0.005678 (P25)
  - 严格模式 (低误触):   0.006284 (平均值的50%)
==============================================================

调优建议

录制测试音频
- 包含正常说话（近场）
- 包含远处说话或电视声音（远场）
- 包含安静时刻（环境音）
分析并选择阈值
- 查看时序图，观察近场和远场的 RMS 差异
- 查看分布直方图，找到明显的分界点
- 参考建议的阈值范围
验证效果
- 在实际应用中测试选定的阈值
- 如果误触发过多，提高阈值
- 如果正常说话被过滤，降低阈值
微调
- 宽松模式（0.01）适合大多数场景
- 嘈杂环境使用严格模式（0.015）
- 安静环境使用保守模式（0.005）

故障排查

问题：无法加载音频文件

# 安装必要的库
./scripts/sync_cpu_env.sh

# 对于 MP3 文件，可能还需要
./scripts/sync_cpu_env.sh

问题：中文显示乱码

脚本已配置中文字体，但如果仍然显示乱码：

macOS: 会自动使用 'Arial Unicode MS'
Windows: 会自动使用 'SimHei'
Linux: 需要安装中文字体

问题：图表不显示

# 后台运行或 SSH 连接时使用
python scripts/analyze_audio_rms.py audio.wav --no-plot --output analysis.png

与远场过滤功能的关系

此工具使用与 app/utils/audio_filter.py 相同的 RMS 计算方法，确保分析结果与实际运行时的行为一致。

确定阈值后，在配置文件中设置：

# docker-compose.yml
environment:
  - ASR_NEARFIELD_RMS_THRESHOLD=0.01  # 使用分析得出的阈值

或在 .env 文件中：

ASR_NEARFIELD_RMS_THRESHOLD=0.01

9.5 KiB Raw Permalink Blame History Unescape Escape