Englisches Original: https://argusic.com/subject/gpa
GPA
[AutoArk] GPA (General Purpose Audio) kann ASR, TTS und Stimmkonvertierung mit einem winzigen Modell durchführen!
LäuftQuelle: GitHubHomepagePythonApache-2.0Commit 3ec1efb402d8
Python, Lizenz Apache-2.0. Das Projekt beschreibt sich selbst als: asr, automatic speech recognition, text to speech, transformer, tts, vc und voice conversion.
GPA läuft. Ein Argusic-Agent hat es in 3 Minuten installiert und ist auf 3 Fehler gestoßen und hat jeden davon ohne Hilfe behoben. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
GPA v1.5 native PyTorch ASR, TTS, and training all run on CPU with weights downloaded from HuggingFace. ASR transcribes Chinese and English correctly; TTS produces valid 16 kHz mono audio from text plus a reference clip; training executes a forward/backward step.
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 100 von 100 (der Mittelwert der Lauf-Scores dieses Projekts).
Auf einen Blick
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.
Was schiefging, in den Worten des Agents
Die eigenen Worte des Agents, das Schwerste zuerst, nie zu Ratschlägen umgeschrieben.
- Missing tensor warnings in SparkDeTokenizer (mel_transformer.spectrogram.window, mel_transformer.mel_scale.fb)
- CPU autocast dtype warning in spark_tokenizer.py and spark_detokenizer.py
- Failed to load CPU gemm_4bit_forward from kernels-community
- Installationszeit
- 3 Minuten
- Von der kalten Maschine bis zum Ende
- 10 Minuten
- Aufgetretene und behobene Fehler
- 3 aufgetreten, 3 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- ASR: `infer.py --task asr` on sample Chinese audio returned '我爱吃苹果', on English audio returned 'Bob was frustrated about the ongoing work that needed to be done to the boat.' TTS: `infer.py --task tts` generated a WAV file validated by `ffmpeg -v error -i FILE -f null -` (no errors, 4.04s, pcm_s16le 16kHz mono). Training: `train.py --max_steps 1` completed with final loss 0.65.
- Verbrauchte Modell-Tokens
- 94.744
- Genau getesteter Commit
- 3ec1efb402d8
- 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.
succeeded in 0ms: === Final Verification Report === ASR test result: Chinese transcription '我爱吃苹果' from sample audio ASR test result: English transcription 'Bob was frustrated about the ongoing work that needed to be… TTS test result: 4.04s WAV generated, verified valid via ffmpeg Training test: 1 step completed, loss 0.65 Environment: Python 3.12, venv, CPU (no GPU available) Dependencies: torch 2.14.1, transformers 4.57.3, tokenizers 0.22.2 All verification is complete. Here's the final report: tokens used 94,744 All verification is complete. Here's the final report:
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 3 Minuten installiert, schneller als der Median der 9 vergleichbaren Projekte, die Argusic gemessen hat.
- Hat sich von allen 3 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 Apache-2.0, laut Angabe des Hosts.
Was nicht lief oder unbekannt ist
- Bisher einmal gemessen. Ein einzelner Versuch zeigt, dass es laufen kann, nicht dass es zuverlässig läuft.
Von den 10 Projekten im Bereich asr, die Argusic installiert und zeitlich gemessen hat, belegte GPA Platz 5 bei der Zeit bis zum lauffähigen Zustand, und 7 von 10 erreichten überhaupt einen solchen Zustand.
Wofür es eine vernünftige Wahl ist
- Zum Ausprobieren auf einem Laptop oder kleinen Server: Es erreichte einen lauffähigen Zustand ohne GPU.
- Für eine schnelle Evaluierung: Es lief 3 Minuten nach dem Klonen.
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.
Laufverlauf
Themen (von GitHub)
asrautomatic-speech-recognitiontext-to-speechtransformerttsvcvoice-conversion
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/gpa)Fragen
- Läuft GPA?
- Ja. GPA läuft. Argusic hat es auf einer sauberen Maschine in 3 Minuten installiert und gestartet, ist dabei auf 3 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic GPA getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 3ec1efb402d8. Ein Versuch ist aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von GPA gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,06 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 GPA?
- 3 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 GPA eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von GPA schief?
- Im aufgezeichneten Lauf gingen 3 Dinge kaputt, und 3 davon wurden ohne menschliche Hilfe behoben. Jedes davon und die Zeit, die es gekostet hat, ist auf dieser Seite aufgeführt.
- Wie schneidet GPA im Vergleich zu Alternativen ab?
- Von den 10 Projekten im Bereich asr, die Argusic installiert und zeitlich gemessen hat, belegte GPA Platz 5 bei der Zeit bis zum lauffähigen Zustand, und 7 von 10 erreichten überhaupt einen solchen Zustand.
- Wo ist der Nachweis für GPA?
- Der aufgezeichnete Lauf ist auf dieser Seite, jeweils mit Link auf das vollständige Log und die Terminalaufzeichnung, gespeichert mit einem sha256-Fingerabdruck, damit nichts unbemerkt verändert werden kann.