Original en inglés: https://argusic.com/subject/gpa
GPA
[AutoArk] GPA (General Purpose Audio) puede hacer ASR, TTS y conversión de voz con un solo modelo diminuto.
Funcionafuente: GitHubsitio webPythonApache-2.0commit 3ec1efb402d8
Python, licencia Apache-2.0. El proyecto se describe a sí mismo como: asr, automatic speech recognition, text to speech, transformer, tts, vc y voice conversion.
GPA funciona. Un agent de Argusic lo instaló en 3 minutos y encontró 3 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
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.
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 100 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- 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
- Tiempo de instalación
- 3 minutos
- De máquina en frío a terminar
- 10 minutos
- Errores encontrados y corregidos
- 3 encontrados, 3 corregidos sin ayuda humana
- Cómo se demostró el resultado
- 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.
- Tokens de modelo usados
- 94.744
- Commit exacto probado
- 3ec1efb402d8
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
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:
Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Llegó a funcionar en una máquina limpia, con la sesión grabada.
- Se instaló en 3 minutos, más rápido que la mediana de los 9 proyectos comparables que ha medido Argusic.
- Se recuperó de los 3 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Funcionó sin GPU, así que no necesita una para arrancar.
- Licencia Apache-2.0, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
De los 10 proyectos de asr que Argusic ha instalado y cronometrado, GPA fue el 5.º más rápido en llegar a funcionar, y 7 de 10 llegaron a funcionar.
Para qué es una opción razonable
- Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
- Una evaluación rápida: estaba funcionando 3 minutos después del clon.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
Temas (de GitHub)
asrautomatic-speech-recognitiontext-to-speechtransformerttsvcvoice-conversion
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/gpa)Preguntas
- ¿Funciona GPA?
- Sí. GPA funciona. Argusic lo instaló y lo inició en una máquina limpia en 3 minutos, con 3 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic GPA?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 3ec1efb402d8. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar GPA?
- La ejecución que produjo este veredicto costó 0,06 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda GPA en instalarse?
- 3 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita GPA una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar GPA?
- En la ejecución registrada fallaron 3 cosas, y 3 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara GPA con las alternativas?
- De los 10 proyectos de asr que Argusic ha instalado y cronometrado, GPA fue el 5.º más rápido en llegar a funcionar, y 7 de 10 llegaron a funcionar.
- ¿Dónde está la evidencia de GPA?
- La ejecución registrada está en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.