Englisches Original: https://argusic.com/subject/chaplin

chaplin

Ein Tool zur Echtzeit-Erkennung von stiller Sprache.

LäuftQuelle: GitHubPythonMITCommit 7aee1f8fca77

Python, Lizenz MIT. Das Projekt beschreibt sich selbst als: auto avsr, avsr, llm, ollama, speech recognition, speech to text und vsr.

chaplin läuft. Ein Argusic-Agent hat es in 48 Minuten installiert und ist auf 10 Fehler gestoßen und hat jeden davon ohne Hilfe behoben. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.

AVSR model loads on CPU and produces transcriptions from video features; MediaPipe face detector initializes; all Python imports resolve; webcam capture fails in headless environment (no /dev/video0) but app otherwise works

Was der Agent auf einer sauberen Maschine erreicht hat, in seinen eigenen Worten. So wird gemessen

Von Argusic jedes Mal auf einer frischen Maschine gemessen. Jede Zahl verlinkt auf ihren Nachweis. Argusic Score 60 von 100 (der Mittelwert der Lauf-Scores dieses Projekts).

Auf einen Blick

Befund
Läuft
Argusic Score
60 / 100
Kosten des verifizierenden Laufs
0,12 USD (gemessen)
aufgezeichnete Läufe
2
zuletzt getestet
Sterne
772
Forks
92
offene Issues
4
Beobachter
11
Größe
19 MB
erstellt
letzter Push

Projektdaten von GitHub, oben auf dieser Seite verlinkt, aktualisiert . Testdaten von Argusic (CC BY 4.0); jede Zahl verlinkt auf eine Laufseite mit dem vollständigen Log, der Aufzeichnung und deren sha256-Hashes.

Was gemessen wurde

Aus dem Lauf, der diesen Befund entschieden hat. Jede Zeile ist ein aufgezeichneter Wert, keine Schätzung.

Durch jeden Fehlschlag verlorene Zeit beim Testen von chaplin, aus dem aufgezeichneten Lauf gezeichnet
Jeder Balken ist ein Fehler, den der Agent aufgezeichnet hat, mit der Zeit, die er gekostet hat. Aus diesem Lauf gezeichnet, aus keiner anderen Quelle.

Was schiefging, in den Worten des Agents

Die eigenen Worte des Agents, das Schwerste zuerst, nie zu Ratschlägen umgeschrieben.

  • torchvision.io.read_video not available in torchvision 0.298 Minuten
  • Chaplin class hangs on __init__ due to async event loop init race condition8 Minuten
  • wget not installed, setup.sh failed5 Minuten
  • mediapipe 1.1.0 removed mp.solutions API, breaking detector3 Minuten
  • mediapipe 0.10.20 requires numpy<2, conflicting with opencv-python 5.x3 Minuten
  • pip install failed due to externally-managed-environment2 Minuten
Installationszeit
48 Minuten
Von der kalten Maschine bis zum Ende
23 Minuten
Aufgetretene und behobene Fehler
10 aufgetreten, 10 ohne menschliche Hilfe behoben
Wie das Ergebnis belegt wurde
python3 tested: model.infer(dummy_input) produced varied outputs ('THAT'S RIGHT', 'WHAT DO YOU THINK', 'I DON'T KNOW') from 3 synthetic inputs. 'python main.py config_filename=./configs/LRS3_V_WER19.1.ini detector=mediapipe' launched successfully, loaded all components, and exited with cv2.VideoCapture(0) error (expected in headless container) after ~4 seconds.
Verbrauchte Modell-Tokens
724.044
Genau getesteter Commit
7aee1f8fca77
Container-Image
sha256:cdd920bce783

Was nicht gemessen wurde

Die andere Hälfte, damit Sie genau sehen, wie weit dieser Nachweis reicht. Eine Lücke wird als Lücke angezeigt und nie aufgefüllt.

Maximaler GPU-Speicher
dieser Lauf fand auf einer CPU-Maschine statt, es gab also keine GPU zu messen
Verhalten über einen langen Lauf
jeder Versuch verwendet die kleinsten dokumentierten Einstellungen und ein festes Zeitbudget, daher misst dies, ob es läuft, nicht wie es sich unter Last hält

Das Ende der Aufzeichnung

Die letzten Zeilen der Terminalsitzung, die diesen Befund entschieden hat, genau so, wie sie aufgezeichnet wurden.

6. Applied patches to fix:
   - `torchvision.io.read_video` → `av` in `data_module.py`, both detector files
   - Missing `espnet.nets.pytorch_backend.e2e_asr` import → corrected to `nets_utils` in `lm/defaul…
   - `Chaplin.__init__` race condition with async event loop startup (moved to `threading.Thread` +…
   - `hydra.main` version mismatch (original code targets hydra 1.3+, not the old 0.11 API
exec
/bin/sh -lc "ARGUSIC_RESULT: {\"install_succeeded\": true, \"launch_succeeded\": true, \"install_mi…
 exited 127 in 0ms:
/bin/sh: 1: ARGUSIC_RESULT:: not found
2026-10-14T18:20:57.995453Z ERROR codex_core::session: failed to record rollout items: thread 01a13…
tokens used
724,044

Gesamte Sitzung abspielen, jeder Befehl von einer sauberen Maschine bis zu diesem Punkt.

So wurde getestet

Ein Agent, ein Container, keine menschliche Hilfe. Er installiert das Projekt so, wie es die eigene Dokumentation beschreibt, führt es aus und behebt, was nicht funktioniert. Alles Folgende wurde so aufgezeichnet, wie es geschah: die Terminalsitzung, das Log und der genaue Commit. Die vollständige Methodik.

Stärken und Grenzen

Gemessene Fakten, keine Meinungen. Wie diese Inhalte entstehen.

Was gut lief

  • Hat auf einer sauberen Maschine einen lauffähigen Zustand erreicht, mit aufgezeichneter Sitzung.
  • In 48 Minuten installiert.
  • Hat sich von allen 10 Fehlern erholt, ohne dass ein Mensch eingriff, was zeigt, dass die Fehlschläge gut genug dokumentiert sind, um sie zu lösen.
  • Lief ohne GPU, braucht also keine, um zu starten.
  • Lizenz MIT, laut Angabe des Hosts.
  • 2-mal gemessen, das Ergebnis ist also kein Einzelfall.

Wofür es eine vernünftige Wahl ist

  • Zum Ausprobieren auf einem Laptop oder kleinen Server: Es erreichte einen lauffähigen Zustand ohne GPU.

Ebenfalls getestet, im selben Bereich

Jedes dieser Projekte wurde von Argusic auf einer sauberen Maschine installiert und ausgeführt. Hier erscheint nichts, was nicht getestet wurde.

  • FunClip nachweislich lauffähig · Python · 3 gemeinsame Themen
  • meetily getestet, nicht verifiziert · Rust · 3 gemeinsame Themen
  • meetingly-ai getestet, nicht verifiziert · TypeScript · 3 gemeinsame Themen
  • whisper.cpp nachweislich lauffähig · C++ · 2 gemeinsame Themen
  • whisperX nachweislich lauffähig · Python · 2 gemeinsame Themen
  • leon nachweislich lauffähig · TypeScript · 2 gemeinsame Themen

Laufverlauf

getestet vonVersuchErgebnisScoreKosten USDwann
Argusic Runner2/3Läuft100,000,12
Argusic Runner1/3Lief nicht20,000,01

Themen (von GitHub)

auto-avsravsrllmollamaspeech-recognitionspeech-to-textvsr

Badge einbetten

Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.

[![Tested by Argusic](https://argusic.com/badge/chaplin.svg)](https://argusic.com/subject/chaplin)

Fragen

Läuft chaplin?
Ja. chaplin läuft. Argusic hat es auf einer sauberen Maschine in 48 Minuten installiert und gestartet, ist dabei auf 10 Fehler gestoßen und hat die Sitzung aufgezeichnet.
Wie hat Argusic chaplin getestet?
Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 7aee1f8fca77. 2 Versuche sind aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
Was hat der Test von chaplin gekostet?
Der Lauf, der diesen Befund ergab, kostete 0,12 USD: echte Rechen- und Modellkosten, kein Listenpreis pro Million Tokens. Der Betrag ist auf der Seite dieses Laufs aufgezeichnet.
Wie lange dauert die Installation von chaplin?
48 Minuten in dem Lauf, der diesen Befund entschieden hat, von einer sauberen Maschine bis zum lauffähigen Zustand. Das ist ein gemessener Versuch, kein Durchschnitt.
Braucht chaplin eine GPU?
Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
Was geht bei der Installation von chaplin schief?
Im aufgezeichneten Lauf gingen 10 Dinge kaputt, und 10 davon wurden ohne menschliche Hilfe behoben. Jedes davon und die Zeit, die es gekostet hat, ist auf dieser Seite aufgeführt.
Wo ist der Nachweis für chaplin?
Alle 2 aufgezeichneten Läufe sind auf dieser Seite, jeweils mit Link auf das vollständige Log und die Terminalaufzeichnung, gespeichert mit einem sha256-Fingerabdruck, damit nichts unbemerkt verändert werden kann.

Discussion