blumia
18dbc9c8d3
Add a C++/Qt6/CMake CLI prototype that captures the default sink monitor through libpulse and transcribes it in-process with Qwen3-ASR via libllama/libmtmd. Add phase 0/1 verification docs. 新增实时字幕命令行原型：libpulse 采集默认输出 monitor，进程内用 libllama/libmtmd 跑 Qwen3-ASR 推理。附阶段 0/1 验证文档。
Phase 0 验证实验
目标：在动手写 C++/Qt 之前，先证实三个关键假设。
- 系统播放音频可采集：默认 sink 的
monitor源能被读到。 - Qwen3-ASR 能在这套系统库上跑起来：发行版自带的 llama.cpp 支持 Qwen3-ASR。
- CPU 实时性够用：0.6B 量化模型在这台没有独显的机器上能否做到近实时。
环境（实测）
| 项 | 值 |
|---|---|
| 系统 | Deepin 25 (crimson), X11 |
| CPU | i5-13420H, 8 核 12 线程 |
| GPU | Intel UHD（无 CUDA） |
| 音频 | PipeWire 1.6.4 + pipewire-pulse，libpulse 17.0 |
| llama.cpp | 系统包 9951+dfsg-1deepin1（libllama0 / libmtmd / libggml0） |
关键结论（细节见 ../../docs/phase0-verification.md）
- 主模型 GGUF 的
general.architecture = qwen3vl→ 系统libllama有llama_model_qwen3vl，能加载。 - mmproj 的
clip.audio.projector_type = qwen3a→ 系统libmtmd有clip_graph_qwen3a/mtmd_audio_preprocessor_qwen3a，音频编码器也支持。 - 转写中英均正确，
language <X><asr_text>...前缀里带语言识别。 - 稳态 RTF ≈ 0.19（纯推理），实时绰绰有余。
复现步骤
1. 拿到 llama.cpp 的 CLI（不需要 root）
系统只装了库，没装工具，且本机没有免密 sudo。直接从 deb 解包：
cd /tmp/opencode
apt-get download llama.cpp-tools
mkdir -p llama-tools && dpkg-deb -x llama.cpp-tools_*.deb llama-tools
# 运行时必须指定 LD_LIBRARY_PATH（包含 /usr/lib/x86_64-linux-gnu/llama）
2. 下载模型
网络只通了 hf-mirror.com，用 aria2c 多连接（单连接约 3MB/s，多连接可到 19MB/s）：
B=https://hf-mirror.com/ggml-org/Qwen3-ASR-0.6B-GGUF/resolve/main
aria2c -x16 -s16 -k4M -o Qwen3-ASR-0.6B-Q8_0.gguf "$B/Qwen3-ASR-0.6B-Q8_0.gguf"
aria2c -x16 -s16 -k4M -o mmproj-Qwen3-ASR-0.6B-Q8_0.gguf "$B/mmproj-Qwen3-ASR-0.6B-Q8_0.gguf"
换模型时 主模型 + mmproj 必须成对替换。
3. 验证
# 音频采集链路（播放的同时录 monitor）
./loopback_test.sh <某个音频> /tmp/captured_48k.wav
ffmpeg -y -i /tmp/captured_48k.wav -ar 16000 -ac 1 -c:a pcm_s16le /tmp/captured_16k.wav
# 转写 + 测 RTF
./bench.sh /tmp/captured_16k.wav
# 换量化模型对比
MODEL=/tmp/opencode/models/Qwen3-ASR-0.6B-Q4_K_M.gguf ./bench.sh some.wav
# 只读 GGUF 头部元数据（不下载整个文件）
python3 gguf_head.py
已知坑
llama-cli会挂住：不给-st/ 不让 stdin EOF 时，生成完会回到交互读取循环。bench.sh已用-st --simple-io </dev/null+ 外层timeout处理。- 输出需清洗：结果形如
language English<asr_text>正文，接入时要把语言名与正文分开（语言名正好喂给 UI 的语言标签）。 - 发行版 CMake config 路径非标准：
/usr/lib/x86_64-linux-gnu/llama/cmake-private/llama-config.cmake，find_package(llama)默认找不到；它有配套的pkgconfig/llama.pc，走 pkg-config 更稳。