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。
73 lines
3.0 KiB
Markdown
73 lines
3.0 KiB
Markdown
# 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。
|
||
|
||
1. **系统播放音频可采集**：默认 sink 的 `monitor` 源能被读到。
|
||
2. **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。
|
||
3. **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：
|
||
|
||
```bash
|
||
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）：
|
||
|
||
```bash
|
||
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
|
||
|
||
```bash
|
||
# 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。
|