Original em inglês: https://argusic.com/subject/gpa
GPA
[AutoArk] GPA (General Purpose Audio) pode fazer ASR, TTS e conversão de voz com um único modelo minúsculo!
Executafonte: GitHubpágina do projetoPythonApache-2.0commit 3ec1efb402d8
Python, licença Apache-2.0. O projeto se descreve como: asr, automatic speech recognition, text to speech, transformer, tts, vc e voice conversion.
GPA executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 3 minutos e encontrou 3 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
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.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 100 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- 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
- Tempo de instalação
- 3 minutos
- Da máquina limpa até o fim
- 10 minutos
- Erros encontrados e corrigidos
- 3 encontrados, 3 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- 3ec1efb402d8
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
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:
Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Chegou a um estado de execução em uma máquina limpa, com a sessão gravada.
- Instalado em 3 minutos, mais rápido que a mediana dos 9 projetos comparáveis que a Argusic mediu.
- Recuperou-se de todos os 3 erros sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Executou sem GPU, então não precisa de uma para iniciar.
- Licença Apache-2.0, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Dos 10 projetos de asr que a Argusic instalou e cronometrou, GPA foi o 5º mais rápido a chegar a um estado de execução, e 7 de 10 chegaram a esse estado.
Para que é uma escolha razoável
- Testar em um laptop ou em um servidor pequeno: ele chegou a um estado de execução sem GPU.
- Uma avaliação rápida: ele estava executando 3 minutos depois do clone.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
Tópicos (de GitHub)
asrautomatic-speech-recognitiontext-to-speechtransformerttsvcvoice-conversion
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/gpa)Perguntas
- GPA executa?
- Sim. GPA executa. A Argusic o instalou e iniciou em uma máquina limpa em 3 minutos, encontrando 3 erros no caminho, e gravou a sessão.
- Como a Argusic testou GPA?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 3ec1efb402d8. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar GPA?
- A execução que produziu este veredito custou US$ 0,06: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar GPA?
- 3 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- GPA precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar GPA?
- 3 coisas quebraram na execução registrada, e 3 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como GPA se compara às alternativas?
- Dos 10 projetos de asr que a Argusic instalou e cronometrou, GPA foi o 5º mais rápido a chegar a um estado de execução, e 7 de 10 chegaram a esse estado.
- Onde estão as evidências de GPA?
- A execução registrada está nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.