ddmitry/local-transcriber
1
0 Fork 0
Code Issues 5 Pull Requests Actions Packages Projects Releases Wiki Activity

test(diarization): добавлен стенд сравнения CPU-моделей #30

Merged
ddmitry merged 2 commits from issue-25-lightweight-cpu-diarization into master 2026-08-30 18:50:52 +03:00
Conversation 1 Commits 2 Files Changed 8
+2954 -235
8 changed files with 2954 additions and 235 deletions
Download Patch File Download Diff File Expand all files Collapse all files

No files matched your search

.gitignore
+3 -1
View File
@@ -5,4 +5,6 @@ __pycache__/
dist/
*.pyc
.codex
.qwen/
.qwen/
tmp
.scratch/handoffs/
docs/adr/007-word-level-speaker-diarization.md
+37 -12
View File
@@ -2,6 +2,23 @@
**Статус**: Принято
**Дата**: 2026-08-14
**Обновлено**: 2026-08-30
## Решение
Диаризацию реализуем как явно включаемый пост-процессинг через `sherpa-onnx`.
Говорящий назначается слову с временной привязкой, а не целому сегменту
распознавания. Модель по умолчанию остаётся прежней: Pyannote Segmentation 3.0 FP32,
WeSpeaker ResNet34 LM, порог кластеризации `0,89` и автоматическое число
кластеров. Известное число говорящих можно передать явно.
Повторный CPU-тест FP32/INT8 × WeSpeaker/TitaNet не меняет это решение.
INT8 с WeSpeaker дал только около 2% среднего ускорения без существенного
выигрыша памяти и с худшими прокси-метриками. TitaNet оказался примерно на
четверть быстрее, но потребовал ещё 147–149 МиБ RSS и не прошёл условие приёмки
для общего автоматического порога. TitaNet можно исследовать только для режима
с явно известным числом говорящих. Такой эксперимент должен завершиться
слуховой проверкой. Код и модели по умолчанию на него не переключаем.
## Контекст
@@ -21,12 +38,20 @@
## Эксперимент
Локальная связка `sherpa-onnx` с сегментацией Pyannote 3.0 и эмбеддингами
WeSpeaker ResNet34 LM проверена на трёх записях с известным составом. Для
автоматического определения числа голосовых кластеров выбран порог 0,89: это
единственное проверенное значение, которое на трёх контрольных фрагментах дало
3 / 2 / 2 кластера. На полной встрече втроём остался ложный кластер длительностью
19,1 секунды; поэтому малые кластеры нельзя молча отбрасывать, а разметку нельзя
считать эталоном точных границ и перекрывающейся речи.
WeSpeaker ResNet34 LM проверена на трёх записях с известным составом. В исходной
калибровке для автоматического определения числа голосовых кластеров выбран
порог 0,89: среди проверенных тогда значений только он дал на трёх контрольных
фрагментах `3 / 2 / 2` кластера. На полной встрече втроём остался ложный кластер
длительностью 19,1 секунды; поэтому малые кластеры нельзя молча отбрасывать, а
разметку нельзя считать эталоном точных границ и перекрывающейся речи.
В повторном CPU-переборе на тех же пятиминутных фрагментах FP32 + WeSpeaker
прошёл условие приёмки `3 / 2 / 2` на плато `0,85–0,89`, а INT8 + WeSpeaker —
на `0,85–0,90`.
Это не отменяет порог 0,89: новый прогон не имел повторов и новой слуховой
проверки. Обе связки TitaNet провалили условие приёмки во всех проверенных
точках; число содержательных кластеров не использовалось как оправдание лишних
голосовых кластеров.
Двуязычная CAMPPlus zh/en оказалась примерно на 30% быстрее и при известном
числе участников улучшила прокси-метрику на двух записях, но для неё не нашлось
@@ -44,6 +69,8 @@ WeSpeaker ResNet34 LM проверена на трёх записях с изв
[калибровке](../benchmarks/2026-08-14-diarization-calibration.md),
[смешении говорящих](../benchmarks/2026-08-14-asr-segment-speaker-mixing.md) и
[производительности на Intel](../benchmarks/2026-08-14-diarization-intel-i7.md).
Сравнение облегчённых моделей и границы его применимости описаны в
[отдельном отчёте](../benchmarks/2026-08-30-lightweight-diarization-cpu.md).
### Сглаживание неизвестного говорящего
@@ -78,12 +105,7 @@ speaker Markdown хранит только начало реплики. Тем
невозможна, потому что в нём уже потеряны доли секунды, конец слова и причина
неопределённости.
## Решение
Диаризацию реализуем как явно включаемый пост-процессинг через `sherpa-onnx`.
Первая версия использует Pyannote segmentation 3.0, WeSpeaker ResNet34 LM,
порог кластеризации 0,89 и автоматическое число кластеров; известное число
участников можно передать явно.
## Сведение слов и разметки говорящих
Говорящий назначается [слову с временной
привязкой](../../CONTEXT.md#language), а не сегменту распознавания. Каждый
@@ -119,6 +141,9 @@ ASR-бэкенд приводит свой результат к общему н
- Последовательный режим задаёт корректный baseline. Параллельный запуск и
автоматическое включение на мощных устройствах требуют отдельных измерений
после стабилизации.
- Pyannote INT8 и TitaNet не становятся конфигурациями по умолчанию только на
основании CPU-теста. Для TitaNet следующий допустимый эксперимент —
режим с явно известным числом говорящих, повторами и слуховой проверкой.
## Отклонённые альтернативы
docs/benchmarks/2026-08-30-lightweight-diarization-cpu.md
+223
View File
@@ -0,0 +1,223 @@
# Облегчённые модели диаризации на старом Intel Core i7
**Дата:** 2026-08-30
**Статус:** сравнительный CPU-тест. Конфигурация по умолчанию не менялась.
## Решение
Сохранить модель по умолчанию: Pyannote Segmentation 3.0 FP32, WeSpeaker
ResNet34 LM, общий порог автоматической кластеризации `0,89`. Новый прогон
подтвердил для этой связки точное число голосовых кластеров `3 / 2 / 2` на всех
трёх контрольных фрагментах.
Pyannote INT8 с WeSpeaker не заменяет FP32. Среднее ускорение составило только
2,1%, средний пиковый RSS по ячейкам снизился примерно на 4 МиБ, а средняя
чистота сопоставленных говорящих и число слов без говорящего стали хуже.
TitaNet small в среднем быстрее WeSpeaker на 24,3%, но требует примерно на
147–149 МиБ больше RSS и не находит правильное число кластеров ни в одной
проверенной точке общего автоматического порога. Его можно рассматривать только
как кандидата для режима с явно известным числом говорящих. Следующий эксперимент
должен завершиться отдельной слуховой проверкой. По этому тесту менять код,
модели или пороги нельзя.
## Границы вывода
Проверялись только четыре CPU-сочетания Pyannote FP32/INT8 ×
WeSpeaker/TitaNet на трёх пятиминутных русскоязычных рабочих созвонах из
[исходной калибровки](2026-08-14-diarization-calibration.md). Число говорящих в
них известно как `3 / 2 / 2`. Это сравнительный прогон моделей диаризации, а не
новая приёмка готовых транскриптов.
В частности:
- новой слуховой проверки не было;
- полные записи не прогонялись;
- у каждой ячейки один запуск, без повторов и случайного перемешивания порядка;
- влияние порядка, прогрева и температуры отдельно не измерено;
- ASR выполнен один раз на запись и не входит во время ячеек диаризации;
- параллельные ASR и диаризация, GPU, NPU и другие CPU не проверялись.
Происхождение, лицензии и закреплённые SHA-256 моделей описаны в
[исследовательской записке](../research/2026-08-29-lightweight-diarization-models.md),
а смысл `mapped speaker purity` и ограничения опорной разметки — в
[исходной калибровке](2026-08-14-diarization-calibration.md). Здесь эти сведения
не дублируются.
## Методика
Каждая измеряемая ячейка запускалась в новом дочернем процессе. До измеряемого
интервала загружались WAV, модели и сэмплы; полное время, CPU и пиковый RSS
считались вокруг одного вызова `diarizer.process(samples)`. Отладочный журнал
`sherpa-onnx` 1.13.5 дал время сегментации, извлечения эмбеддингов, кластеризации
и всего вызова.
Декодирование, загрузка моделей, сериализация и ASR во время не входят.
Автоматический перебор прямоугольный: каждый порог сочетания проверен на всех
трёх записях с `num_clusters=-1`. Для сочетания выбирался один общий порог.
Условие приёмки считалось выполненным только при полном совпадении общего числа
кластеров с
`3 / 2 / 2`; число содержательных кластеров оставалось диагностикой и не могло
оправдать лишний кластер. После выбора порога каждое сочетание ещё раз прошло
три записи с известным числом кластеров.
Итого сохранено 108 успешных ячеек без ошибок:
- 96 с автоматическим числом кластеров: по 18 для каждого сочетания с
WeSpeaker и по 30 для каждого сочетания с TitaNet;
- 12 с известным числом кластеров: по три для каждого из четырёх сочетаний.
Отдельно сохранены четыре результата выбора общего порога. Они описывают
агрегацию автоматических ячеек и в число 108 не входят.
Во всех 108 ячейках совпала последовательность 1853 распознанных слов после
удаления Unicode-пробелов. Инвариантность текста не нарушена.
## Воспроизведение
Стенд [`diarization_calibration.py`](../../scripts/benchmarks/diarization_calibration.py)
закрепляет корпус и матрицу задачи #25. Файл manifest, ASR-sidecar, интервалы и
полный результат содержат приватные данные и хранятся отдельно от Git.
Относительные пути в manifest считаются от каталога самого файла, поэтому
приватный набор можно перенести на другую машину целиком. Готовый файл результата
при этом не переносится: продолжение допустимо только на той же платформе, CPU и
том же числе логических ядер.
Перед дорогим запуском нужно проверить набор без декодирования и моделей:
```bash
uv run python scripts/benchmarks/diarization_calibration.py \
--manifest /path/to/manifest.json \
--validate-only
```
Полный запуск и его продолжение используют одну команду и один файл результата:
```bash
uv run python scripts/benchmarks/diarization_calibration.py \
--manifest /path/to/manifest.json \
--output /path/to/results.json \
--work-dir /path/to/work
```
Совместимый файл продолжится с первой незавершенной ячейки. Код возврата 0
означает, что завершены все автоматические ячейки и ячейки с известным числом
говорящих. Число кластеров и инвариантность текста нужно сверить с условиями
конкретного исследования. Полный контракт аргументов и режим подготовки
ASR-sidecar описаны в `--help`. Результат включает исходный manifest,
приватные пути и интервалы. Поэтому его нельзя добавлять в Git или передавать
внешнему ревьюеру.
## Оборудование и условия
- Intel Core i7-6820HQ, 4 ядра / 8 логических процессоров;
- Linux 7.0.0-30-generic x86_64;
- питание от сети, системный профиль `balanced`;
- Python 3.13.13, `sherpa-onnx` 1.13.5, `onnxruntime` 1.28.0,
NumPy 2.4.3;
- CPU provider и 8 потоков для segmentation и embedding;
- mono PCM16, 16 кГц, длительность каждого фрагмента 300 секунд.
Это тот же ноутбук, что в [предыдущей Intel-приёмке](2026-08-14-diarization-intel-i7.md),
но условия нельзя считать побайтовым повтором: там отдельно зафиксированы
governor `powersave` и урезанная доступная мощность, а версия ядра была
7.0.0-29. Во время нового перебора ночная пауза произошла до сохранения текущей
ячейки. Продолжение началось после возврата профиля `balanced`; ячеек,
измеренных в энергосберегающем профиле, в итоговом результате нет.
## Производительность полного автоматического перебора
Числа ниже — средние по всем автоматическим ячейкам сочетания. Это не повторы
одной ячейки. «Средний пиковый RSS» — среднее пикового RSS каждой ячейки;
соседний столбец показывает наибольший такой максимум во всём переборе.
| Сегментация + эмбеддинги | Ячеек | Время, с | RTF | CPU, ядер | Средний пиковый RSS, МиБ | Максимальный пиковый RSS, МиБ | Сегментация, с | Эмбеддинги, с |
|---|---:|---:|---:|---:|---:|---:|---:|---:|
| FP32 + WeSpeaker | 18 | 72,486 | 0,24162 | 6,84 | 254,55 | 265,61 | 15,295 | 56,837 |
| INT8 + WeSpeaker | 18 | 70,969 | 0,23656 | 6,94 | 250,40 | 263,00 | 17,094 | 53,524 |
| FP32 + TitaNet | 30 | 52,797 | 0,17599 | 6,80 | 401,80 | 428,11 | 14,724 | 37,723 |
| INT8 + TitaNet | 30 | 55,792 | 0,18597 | 6,70 | 399,10 | 419,71 | 17,125 | 38,278 |
INT8 ускорил сочетание с WeSpeaker на 2,1%, но сегментация стала медленнее, а
выигрыш возник на извлечении эмбеддингов. Такой результат не даёт практического
основания заменять FP32. У TitaNet FP32 оказался быстрее INT8. Относительно
соответствующей связки WeSpeaker ускорение TitaNet составило 27,2% для FP32 и
21,4% для INT8.
Среднее для двух вариантов точности — 24,3%.
Опубликованное ожидание ускорения от INT8 локально не подтвердилось. Вместо
18,9% с 3D-Speaker получено 2,1% с WeSpeaker, а с TitaNet INT8 оказался на 5,7%
медленнее FP32. Условия исходного примера и границы такого сравнения разобраны
в [исследовательской записке](../research/2026-08-29-lightweight-diarization-models.md).
За скорость TitaNet платит памятью: средний пиковый RSS выше WeSpeaker на 147,25
МиБ с FP32 и на 148,70 МиБ с INT8. Поэтому на слабом CPU его нельзя считать
безусловно облегчённым вариантом.
## Автоматический порог и диагностика качества
`Mapped speaker purity` усреднена только по T2 BDMA и Yantar, для которых есть
грубая опорная разметка. Это сравнительная прокси-метрика, не DER и не точность
по выверенной разметке.
| Сочетание | Выбранный порог | Приёмка `3 / 2 / 2` | Кластеры | Средняя purity | Слов без говорящего, из 1853 | Максимальный остаток сверх ожидаемых |
|---|---:|:---:|---|---:|---:|---:|
| FP32 + WeSpeaker | 0,85 | да | 3 / 2 / 2 | 0,82950 | 71 | 0% |
| INT8 + WeSpeaker | 0,85 | да | 3 / 2 / 2 | 0,81028 | 104 | 0% |
| FP32 + TitaNet | 1,10 | **нет** | 5 / 3 / 3 | 0,82287 | 76 | 3,89% |
| INT8 + TitaNet | 1,10 | **нет** | 3 / 2 / 3 | 0,79315 | 109 | 12,12% |
У FP32 + WeSpeaker условие приёмки проходит на плато `0,85–0,89`, у INT8 +
WeSpeaker — на `0,85–0,90`. Автоматический выбор дал `0,85` по общей
лексикографической оценке, но это не аргумент менять рабочий порог `0,89`:
новый перебор не содержит повторов или слуховой проверки, тогда как действующее
решение опирается также на предыдущую калибровку полных записей и слуховую
проверку плотного диалога.
TitaNet не прошёл условие приёмки ни в одной точке проверенной сетки `0,50–1,10`.
Порог `1,10` — лишь наименее плохая точка перебора; допустимой автоматической
конфигурацией она не является. Содержательные `3 / 2 / 3` кластера у FP32 TitaNet не отменяют
лишние голосовые кластеры: диагностический фильтр не заменяет условие приёмки.
«Максимальный остаток сверх ожидаемых» — наибольшая по трём записям доля слов,
которые попали в кластеры сверх известного числа говорящих. Метрика описывает
объём лишних кластеров, а не их количество: один крупный лишний кластер может
дать больший процент, чем несколько малых.
## Режим с известным числом говорящих
Ячейки с известным числом говорящих использовали тот же выбранный порог и
меняли только `num_clusters` на известные `3 / 2 / 2`. Все четыре сочетания
вернули точное число кластеров на всех трёх записях.
| Сочетание | Точное число кластеров | Точное число содержательных кластеров | Средняя purity |
|---|---:|---:|---:|
| FP32 + WeSpeaker | 3 / 3 записей | 3 / 3 записей | 0,82950 |
| INT8 + WeSpeaker | 3 / 3 записей | 3 / 3 записей | 0,81028 |
| FP32 + TitaNet | 3 / 3 записей | 2 / 3 записей | 0,83057 |
| INT8 + TitaNet | 3 / 3 записей | 3 / 3 записей | 0,79721 |
Близкая средняя purity FP32 TitaNet и FP32 WeSpeaker не доказывает равноценное
качество. У FP32 TitaNet на Data Test один из трёх принудительных кластеров не
достиг диагностического порога содержательности, а новой слуховой проверки не
было. Поэтому TitaNet остаётся только направлением будущего эксперимента с
обязательным известным числом говорящих.
## Ограничения и следующий шаг
- Три записи относятся к одному типу рабочих созвонов; результат не переносится
автоматически на другие языки, микрофоны и акустические условия.
- Две опорные разметки имеют секундную точность и не позволяют считать DER.
- Средние значения полного времени и RSS объединяют разные записи и пороги.
Без повторов они не оценивают дисперсию и не отделяют порядок, прогрев или
влияние температуры.
- Новый прогон не заменяет прежнюю слуховую проверку и не даёт слуховых данных
для TitaNet или INT8.
- Результат относится к последовательной CPU-диаризации на одном Core
i7-6820HQ и не предсказывает конкретный Core i5 11-го поколения.
Если возвращаться к TitaNet, следующий эксперимент должен заранее требовать
известное число говорящих, включать повторные прогоны с контролем порядка и
температуры и завершаться слуховой проверкой всех трёх записей. До этого
конфигурацию и модель по умолчанию не менять.
docs/research/2026-08-29-lightweight-diarization-models.md
+255
View File
@@ -0,0 +1,255 @@
# Облегчённые модели диаризации: Pyannote INT8 и TitaNet small
**Дата:** 2026-08-29
**Статус:** исследовательская записка по публичным источникам. Выводы позднее
проверены локальным CPU-стендом; рабочая конфигурация не менялась.
**Метод:** использованы только первичные публичные источники: документация,
исходный код и выпуски sherpa-onnx, карточки владельцев моделей и исходная
публикация TitaNet. Приватные медиа и опорные транскрипты Hypescribe не
открывались.
## Краткий вывод
Sherpa-onnx официально документирует все четыре сочетания Pyannote
Segmentation 3.0 FP32/INT8 с 3D-Speaker и `nemo_en_titanet_small.onnx`. В
опубликованном разработчиками примере производительности переход FP32 → INT8
сокращает
RTF с 0,297 до 0,241 с 3D-Speaker и с 0,119 до 0,110 с TitaNet small. Но это
одна 56,861-секундная китайская контрольная запись, известные четыре говорящих,
CPU-провайдер и по одному потоку на сегментацию и эмбеддинги. Данных о
конкретном CPU, повторностях, разбросе и качестве на русском материале страница
не приводит. Поэтому цифры подтверждают совместимость и потенциал, но не
заменяют локальный тест. Условия и результаты взяты с [официальной
страницы sherpa-onnx](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html).
Официальные файлы выпусков доступны под следующими именами:
- `sherpa-onnx-pyannote-segmentation-3-0.tar.bz2` содержит
`model.onnx` (FP32) и `model.int8.onnx`;
- `nemo_en_titanet_small.onnx` поставляется отдельным ONNX-файлом.
GitHub API не публикует `digest` ни для одного из этих файлов. Ниже зафиксированы
SHA-256 байтов, скачанных 2026-08-29 с официальных URL, и точные размеры,
совпавшие с GitHub API. Эти хеши пригодны для закрепления текущей поставки, но
получены в этой проверке и не заявлены разработчиками как контрольные суммы.
## Официальная поддержка и точные артефакты
### Pyannote Segmentation 3.0: FP32 и INT8 в одном архиве
Официальная документация sherpa-onnx называет модель
`sherpa-onnx-pyannote-segmentation-3-0`, указывает, что она конвертирована из
[`pyannote/segmentation-3.0`](https://huggingface.co/pyannote/segmentation-3.0),
ссылается на [официальный каталог скриптов
конвертации](https://github.com/k2-fsa/sherpa-onnx/tree/master/scripts/pyannote/segmentation)
и показывает оба файла, `model.onnx` и `model.int8.onnx`, в одном архиве
([документация и команда загрузки](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html#download-the-model)).
Точное имя и URL:
```text
sherpa-onnx-pyannote-segmentation-3-0.tar.bz2
https://github.com/k2-fsa/sherpa-onnx/releases/download/speaker-segmentation-models/sherpa-onnx-pyannote-segmentation-3-0.tar.bz2
```
На момент проверки [GitHub Releases
API](https://api.github.com/repos/k2-fsa/sherpa-onnx/releases/tags/speaker-segmentation-models)
сообщает размер файла `6 958 444` байта,
`created_at=2024-10-08T12:54:09Z`, `updated_at=2024-10-08T12:54:10Z` и
`digest=null`; сам [официальный выпуск](https://github.com/k2-fsa/sherpa-onnx/releases/tag/speaker-segmentation-models)
содержит этот файл, а документация даёт тот же URL загрузки.
Проверенное содержимое архива:
| Файл | Размер | SHA-256 |
|---|---:|---|
| `model.onnx` | 5 992 913 байт | `220ad67ca923bef2fa91f2390c786097bf305bceb5e261d4af67b38e938e1079` |
| `model.int8.onnx` | 1 540 506 байт | `d582f4b4c6b48205de7e0643c57df0df5615a3c176189be3fc461e9d18827b5d` |
Архив также содержит `LICENSE`, `README.md` и скрипты экспорта/проверки. Это
согласуется с опубликованным sherpa-onnx листингом: примерно 5,7 МБ для FP32 и
1,5 МБ для INT8
([официальный листинг](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html#download-the-model)).
### NeMo TitaNet small: отдельная модель эмбеддингов
Официальная страница примеров загружает `nemo_en_titanet_small.onnx` из выпуска
моделей распознавания говорящих и использует его как `--embedding.model` вместе с
обоими вариантами Pyannote
([FP32](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html#nemo-model-onnx),
[INT8](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html#nemo-model-int8-onnx)).
Отдельная [страница моделей NeMo в sherpa-onnx](https://k2-fsa.github.io/sherpa/onnx/nemo/index.html)
перечисляет это точное имя среди поддерживаемых моделей эмбеддингов говорящих.
Точное имя и URL:
```text
nemo_en_titanet_small.onnx
https://github.com/k2-fsa/sherpa-onnx/releases/download/speaker-recongition-models/nemo_en_titanet_small.onnx
```
Опечатка `recongition` является частью официальной метки выпуска и URL; исправлять
её на `recognition` нельзя. На момент проверки [GitHub Releases
API](https://api.github.com/repos/k2-fsa/sherpa-onnx/releases/tags/speaker-recongition-models)
сообщает размер файла
`40 257 283` байта, `created_at=2024-10-14T07:03:02Z`,
`updated_at=2024-10-14T07:03:03Z` и `digest=null`; [выпуск
sherpa-onnx](https://github.com/k2-fsa/sherpa-onnx/releases/tag/speaker-recongition-models)
предупреждает, что лицензия у каждой модели своя и её нужно искать в исходном
репозитории модели.
## Контекст опубликованных результатов
### Пример производительности sherpa-onnx
Все четыре числа ниже опубликованы в одном примере sherpa-onnx. В нём используется
`0-four-speakers-zh.wav` длительностью 56,861 с, явно задано
`--clustering.num-clusters=4`, а распечатанная конфигурация показывает CPU
провайдер и `num_threads=1` отдельно для сегментации и эмбеддингов. Страница не
указывает модель CPU, не описывает прогрев, число повторов или дисперсию и не
публикует метрику качества против эталонной разметки
([полный пример](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html#sherpa-onnx-pyannote-segmentation-3-0)).
| Segmentation | Embedding | Время | RTF |
|---|---|---:|---:|
| Pyannote FP32 `model.onnx` | 3D-Speaker ERes2Net base | 16,870 с | 0,297 |
| Pyannote INT8 `model.int8.onnx` | 3D-Speaker ERes2Net base | 13,679 с | 0,241 |
| Pyannote FP32 `model.onnx` | NeMo TitaNet small | 6,756 с | 0,119 |
| Pyannote INT8 `model.int8.onnx` | NeMo TitaNet small | 6,231 с | 0,110 |
По опубликованным RTF мы пересчитали относительное ускорение. INT8 ускоряет
сочетание с 3D-Speaker примерно на 18,9%, а сочетание с TitaNet small —
примерно на 7,6%. Замена 3D-Speaker на TitaNet small при сохранении FP32 даёт
около 59,9%, а сочетание TitaNet small + INT8 относительно исходного FP32 +
3D-Speaker — около 63,0%. Здесь сравнивается только время выполнения на
указанной записи. По этим цифрам нельзя судить о DER, переносимости ускорения
на другой CPU или качестве на русском языке
([исходные времена и RTF](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html#sherpa-onnx-pyannote-segmentation-3-0)).
### Что означает «small» в публикации TitaNet
Исходная статья определяет TitaNet-S как вариант с 256 каналами и 6,4 млн
параметров. Для очищенного набора VoxCeleb1 в задаче верификации говорящих она
сообщает EER 1,15% при сравнении по косинусному сходству. Для диаризации авторы
используют эталонный детектор голосовой активности (oracle SAD), кластеризацию
NME-SC, допуск 0,25 с и исключают перекрытия из подсчёта DER. При
известном числе говорящих DER TitaNet-S равен 6,37 / 2,00 / 2,22 / 1,11% на
NIST-SRE-2000 / AMI-Lapel / AMI-MixHeadset / CH109; при оценённом числе —
5,49 / 2,30 / 1,97 / 1,42%. Это тест архитектуры и исходной контрольной точки
NeMo в другом конвейере диаризации, не тест ONNX-экспорта внутри
sherpa-onnx
([первичная публикация TitaNet](https://arxiv.org/abs/2110.04410)).
Карточка NVIDIA NGC подтверждает назначение `titanet_small` для верификации
говорящих, диаризации и извлечения 192-мерных эмбеддингов, но её
раздел Performance содержит внутренне противоречивую фразу «TitaNet-L» рядом с
6,4 млн параметров. Поэтому для чисел TitaNet-S выше использована исходная
статья вместо этой фразы карточки
([официальная карточка NGC](https://catalog.ngc.nvidia.com/orgs/nvidia/teams/nemo/models/titanet_small)).
## Происхождение моделей и лицензии
### Pyannote Segmentation 3.0
Исходная карточка Pyannote описывает 10-секундный mono-вход 16 кГц и powerset
выход из семи классов: тишина, три одиночных говорящих и три пары перекрывающихся
говорящих. Модель обучил Séverin Baroudi в `pyannote.audio` 3.0.0 на сочетании
AISHELL, AliMeeting, AMI, AVA-AVD, DIHARD, Ego4D, MSDWild, REPERE и VoxConverse
([карточка исходной модели](https://huggingface.co/pyannote/segmentation-3.0)).
Исходный репозиторий помечает модель лицензией MIT и требует принять условия
доступа к его файлам на Hugging Face. Публичный архив sherpa-onnx включает
собственный `LICENSE` с текстом MIT; в проверенном архиве copyright указан как
`Copyright (c) 2022 CNRS`, тогда как текущий LICENSE исходного репозитория
указывает 2023. Тип лицензии совпадает, но при дальнейшей поставке следует
сохранять именно `LICENSE` из закреплённого архива
([лицензия и условия исходной модели](https://huggingface.co/pyannote/segmentation-3.0),
[текущий LICENSE upstream](https://huggingface.co/pyannote/segmentation-3.0/blob/main/LICENSE)).
### NeMo TitaNet small
Sherpa-onnx публикует [скрипт экспорта](https://github.com/k2-fsa/sherpa-onnx/blob/master/scripts/nemo/speaker-verification/export-onnx.py),
который загружает `EncDecSpeakerLabelModel.from_pretrained(model_name="titanet_small")`,
экспортирует `nemo_en_titanet_small.onnx` и добавляет ONNX metadata с framework
`nemo`, language `English`, source URL NGC, sample rate и размерностью embedding.
[README каталога экспорта](https://github.com/k2-fsa/sherpa-onnx/tree/master/scripts/nemo/speaker-verification)
также прямо называет NGC `titanet_small` источником модели.
Карточка NGC называет актуальную опубликованную версию `1.19.0`, обновлённую
7 июня 2023 года, и описывает обучение на VoxCeleb 1/2, RIR noise, Fisher,
Switchboard и LibriSpeech. Реализация NeMo связывает имя `titanet_small` с
checkpoint `titanet-s.nemo` версии `1.19.0`
([карточка NVIDIA NGC](https://catalog.ngc.nvidia.com/orgs/nvidia/teams/nemo/models/titanet_small),
[официальный реестр pretrained-моделей NeMo](https://github.com/NVIDIA-NeMo/Speech/blob/main/nemo/collections/asr/models/label_models.py)).
NGC говорит, что использование модели регулируется лицензией NeMo; ссылка из
карточки ведёт на Apache License 2.0. Сам файл выпуска sherpa-onnx — одиночный
ONNX-файл без соседнего LICENSE, а описание выпуска перекладывает проверку
лицензии на пользователя. Поэтому при включении модели в приложение нужно
зафиксировать происхождение NVIDIA NeMo/TitaNet-S и приложить лицензию Apache-2.0,
а не считать общий LICENSE sherpa-onnx лицензией весов
([секция Licence карточки NGC](https://catalog.ngc.nvidia.com/orgs/nvidia/teams/nemo/models/titanet_small),
[LICENSE NeMo](https://github.com/NVIDIA-NeMo/Speech/blob/main/LICENSE),
[предупреждение release sherpa-onnx](https://github.com/k2-fsa/sherpa-onnx/releases/tag/speaker-recongition-models)).
Происхождение нельзя воспроизвести полностью: текущий `run.sh` sherpa-onnx
устанавливает NeMo из ветки `main` без закрепления коммита или метки, затем
вызывает экспорт
для `titanet_small`. Он документирует процесс, но сам по себе не доказывает,
из какого коммита NeMo был создан файл от 2024-10-14. Для побайтовой
воспроизводимости следует считать официально скачанный ONNX плюс SHA-256 ниже
канонической единицей, пока разработчики не опубликуют данные закреплённой сборки
([официальный `run.sh`](https://github.com/k2-fsa/sherpa-onnx/blob/master/scripts/nemo/speaker-verification/run.sh)).
## Проверенные SHA-256
Файлы скачаны 2026-08-29 напрямую с двух URL выше в `/tmp`; размер каждого
сверен с полем `size` GitHub Releases API. Архив дополнительно проверен командой
`bzip2 -t`. Поле `digest` в API было `null` для обоих файлов, поэтому ни один из
следующих хешей нельзя называть опубликованной контрольной суммой.
```text
24615ee884c897d9d2ba09bb4d30da6bb1b15e685065962db5b02e76e4996488 sherpa-onnx-pyannote-segmentation-3-0.tar.bz2
ad4a1802485d8b34c722d2a9d04249662f2ece5d28a7a039063ca22f515a789e nemo_en_titanet_small.onnx
```
Внутри проверенного Pyannote-архива:
```text
220ad67ca923bef2fa91f2390c786097bf305bceb5e261d4af67b38e938e1079 model.onnx
d582f4b4c6b48205de7e0643c57df0df5615a3c176189be3fc461e9d18827b5d model.int8.onnx
```
Команда проверки после загрузки:
```bash
sha256sum \
sherpa-onnx-pyannote-segmentation-3-0.tar.bz2 \
nemo_en_titanet_small.onnx
```
## Результат локальной проверки
[Прогон на Core i7-6820HQ](../benchmarks/2026-08-30-lightweight-diarization-cpu.md)
не подтвердил опубликованное ускорение INT8: сочетание с WeSpeaker выиграло
только 2,1%, а с TitaNet стало на 5,7% медленнее. TitaNet ускорил обработку в
среднем на 24,3%, но потребовал примерно на 147–149 МиБ больше RSS и не прошёл
приёмку общего автоматического порога.
## Практический вердикт
1. Для минимального эксперимента можно заменить только путь Pyannote
`model.onnx` на `model.int8.onnx`: это официально поставляемый вариант того же
архива и не требует менять модель эмбеддингов
([официальный пример INT8](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html#d-speaker-model-int8-onnx)).
2. Для большего потенциального ускорения sherpa-onnx официально принимает
`nemo_en_titanet_small.onnx` с обоими вариантами Pyannote, но опубликованный
пример производительности не измеряет DER и не относится к русской речи
([официальные примеры NeMo](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html#nemo-model-onnx)).
3. Для воспроизводимой поставки следует закрепить точные URL, размеры и SHA-256,
хранить MIT LICENSE из Pyannote-архива и явно приложить сведения об авторстве
и лицензии Apache-2.0 для TitaNet/NeMo. До локальной калибровки нельзя
переносить ни коэффициент ускорения, ни порог кластеризации, ни качество с
опубликованной контрольной записи на целевые русскоязычные созвоны.
pyproject.toml
+1
View File
@@ -23,6 +23,7 @@ transcribe = "local_transcriber.cli:app"
[dependency-groups]
dev = [
"psutil>=7,<8",
"pytest",
]
scripts/benchmarks/diarization_calibration.py
+1484 -221
View File
File diff suppressed because it is too large. Load diff
tests/test_diarization_calibration.py
+930
View File
@@ -0,0 +1,930 @@
import hashlib
import importlib.util
import json
import sys
from pathlib import Path
from types import SimpleNamespace
import pytest
SCRIPT = (
Path(__file__).parents[1] / "scripts" / "benchmarks" / "diarization_calibration.py"
)
SPEC = importlib.util.spec_from_file_location("diarization_calibration", SCRIPT)
assert SPEC is not None and SPEC.loader is not None
calibration = importlib.util.module_from_spec(SPEC)
sys.modules[SPEC.name] = calibration
SPEC.loader.exec_module(calibration)
def _write(path, content):
path.write_bytes(content)
return {
"path": str(path),
"sha256": hashlib.sha256(content).hexdigest(),
"size_bytes": len(content),
}
def _manifest(tmp_path):
fp32 = _write(tmp_path / "fp32.onnx", b"fp32")
int8 = _write(tmp_path / "int8.onnx", b"int8")
wespeaker = _write(tmp_path / "wespeaker.onnx", b"wespeaker")
titanet = _write(tmp_path / "titanet.onnx", b"titanet")
segmentations = [
{
"id": "pyannote-fp32",
"precision": "fp32",
"source_url": "https://example/fp32",
"license": "MIT",
**fp32,
},
{
"id": "pyannote-int8",
"precision": "int8",
"source_url": "https://example/int8",
"license": "MIT",
**int8,
},
]
embeddings = [
{
"id": "wespeaker",
"source_url": "https://example/wespeaker",
"license": "CC-BY-4.0",
**wespeaker,
},
{
"id": "titanet-small",
"source_url": "https://example/titanet",
"license": "Apache-2.0",
**titanet,
},
]
recordings = []
for index, (recording_id, speakers) in enumerate(
(("data-test", 3), ("t2-bdma", 2), ("yantar", 2))
):
media = _write(tmp_path / f"{recording_id}.mp4", recording_id.encode())
words_content = json.dumps(
[{"start": 0.0, "end": 0.5, "text": " Слово"}]
).encode()
words = _write(tmp_path / f"{recording_id}.words.json", words_content)
reference = None
if index:
reference_content = b"**[00:00] Speaker 1:**\n"
ref = _write(tmp_path / f"{recording_id}.md", reference_content)
reference = {
"path": ref["path"],
"sha256": ref["sha256"],
"format": "hypescribe_markdown",
}
recordings.append(
{
"id": recording_id,
"path": media["path"],
"sha256": media["sha256"],
"start": 0.0,
"duration": 10.0,
"expected_speakers": speakers,
"reference": reference,
"asr_words": {
"path": words["path"],
"sha256": words["sha256"],
"format": "local_transcriber_words_v1",
},
}
)
return {
"schema_version": 2,
"segmentation_models": segmentations,
"embedding_models": embeddings,
"combinations": [
{
"id": "fp32-wespeaker",
"segmentation_id": "pyannote-fp32",
"embedding_id": "wespeaker",
"role": "baseline",
"thresholds": [0.8, 0.9],
},
{
"id": "fp32-titanet",
"segmentation_id": "pyannote-fp32",
"embedding_id": "titanet-small",
"role": "candidate",
"thresholds": [0.8],
},
{
"id": "int8-wespeaker",
"segmentation_id": "pyannote-int8",
"embedding_id": "wespeaker",
"role": "candidate",
"thresholds": [0.8],
},
{
"id": "int8-titanet",
"segmentation_id": "pyannote-int8",
"embedding_id": "titanet-small",
"role": "candidate",
"thresholds": [0.8],
},
],
"recordings": recordings,
"threads": 4,
"rss_sample_interval_ms": 5,
}
def _environment():
return {
"sherpa_onnx_version": "1.13.5",
"onnxruntime_version": "1",
"numpy_version": "2",
"psutil_version": "7",
}
def test_validate_only_requires_only_manifest():
args = calibration.parse_args(["--manifest", "manifest.json", "--validate-only"])
assert args.manifest == Path("manifest.json")
assert args.output is None
assert args.work_dir is None
@pytest.mark.parametrize(
"extra",
[
["--output", "unused"],
["--work-dir", "unused"],
["--prepare-asr", "data-test"],
["--asr-model", "model"],
["--asr-device", "cpu"],
["--asr-compute-type", "float32"],
["--asr-language", "ru"],
],
)
def test_validate_only_rejects_unused_run_options(extra):
with pytest.raises(SystemExit):
calibration.parse_args(
["--manifest", "manifest.json", "--validate-only", *extra]
)
def test_relative_manifest_paths_resolve_from_manifest_directory(tmp_path):
manifest = _manifest(tmp_path)
for model in manifest["segmentation_models"] + manifest["embedding_models"]:
model["path"] = Path(model["path"]).name
for recording in manifest["recordings"]:
recording["path"] = Path(recording["path"]).name
recording["asr_words"]["path"] = Path(recording["asr_words"]["path"]).name
if recording["reference"] is not None:
recording["reference"]["path"] = Path(recording["reference"]["path"]).name
resolved = calibration.resolve_manifest_paths(manifest, tmp_path)
assert calibration.validate_manifest(resolved)["schema_version"] == 2
assert Path(resolved["recordings"][0]["path"]).is_absolute()
def test_validate_only_prints_safe_plan(tmp_path, monkeypatch, capsys):
manifest_path = tmp_path / "manifest.json"
manifest = _manifest(tmp_path)
for model in manifest["segmentation_models"] + manifest["embedding_models"]:
model["path"] = Path(model["path"]).name
for recording in manifest["recordings"]:
recording["path"] = Path(recording["path"]).name
recording["asr_words"]["path"] = Path(recording["asr_words"]["path"]).name
if recording["reference"] is not None:
recording["reference"]["path"] = Path(recording["reference"]["path"]).name
manifest_path.write_text(json.dumps(manifest), encoding="utf-8")
monkeypatch.setattr(calibration, "validate_original_corpus", lambda manifest: None)
monkeypatch.setattr(calibration, "environment_snapshot", _environment)
calibration.main(["--manifest", str(manifest_path), "--validate-only"])
summary = json.loads(capsys.readouterr().out)
assert summary["status"] == "valid"
assert summary["automatic_cells"] == 15
assert summary["known_cells_if_all_selected"] == 12
assert str(tmp_path) not in json.dumps(summary)
@pytest.mark.parametrize(
("key", "value"),
[("sherpa_onnx_version", "1.14.0"), ("psutil_version", "unavailable")],
)
def test_validate_environment_rejects_incompatible_dependencies(key, value):
environment = _environment()
environment[key] = value
with pytest.raises(RuntimeError):
calibration.validate_environment(environment)
def _complete_cell(spec, clusters, purity=None, residual=0.0):
return {
**spec,
"status": "complete",
"diagnostics": {
"clusters": clusters,
"mapped_speaker_purity": purity,
"residual_share_after_expected": residual,
},
}
def test_manifest_validates_required_matrix_and_files(tmp_path):
assert calibration.validate_manifest(_manifest(tmp_path))["schema_version"] == 2
@pytest.mark.parametrize(
"mutation", ["missing_combination", "duplicate_id", "unsorted_threshold"]
)
def test_manifest_rejects_invalid_matrix_and_ids(tmp_path, mutation):
manifest = _manifest(tmp_path)
if mutation == "missing_combination":
manifest["combinations"].pop()
elif mutation == "duplicate_id":
manifest["recordings"][1]["id"] = manifest["recordings"][0]["id"]
else:
manifest["combinations"][0]["thresholds"] = [0.9, 0.8]
with pytest.raises(ValueError):
calibration.validate_manifest(manifest, verify_files=False)
def test_manifest_rejects_hash_mismatch_before_work(tmp_path):
manifest = _manifest(tmp_path)
manifest["recordings"][0]["sha256"] = "0" * 64
with pytest.raises(ValueError, match="SHA-256"):
calibration.validate_manifest(manifest)
@pytest.mark.parametrize("model_kind", ["segmentation", "embedding"])
def test_manifest_rejects_multiple_exact_model_ids_per_matrix_axis(
tmp_path, model_kind
):
manifest = _manifest(tmp_path)
if model_kind == "segmentation":
duplicate = dict(manifest["segmentation_models"][0])
duplicate["id"] = "pyannote-fp32-other"
manifest["segmentation_models"].append(duplicate)
manifest["combinations"][1]["segmentation_id"] = duplicate["id"]
else:
duplicate = dict(manifest["embedding_models"][0])
duplicate["id"] = "wespeaker-other"
manifest["embedding_models"].append(duplicate)
manifest["combinations"][2]["embedding_id"] = duplicate["id"]
with pytest.raises(ValueError, match="ровно один"):
calibration.validate_manifest(manifest, verify_files=False)
def test_complete_run_rejects_substitute_corpus(tmp_path):
manifest = _manifest(tmp_path)
with pytest.raises(ValueError, match="Корпус"):
calibration.validate_original_corpus(manifest)
for recording in manifest["recordings"]:
recording.update(calibration.ORIGINAL_CORPUS[recording["id"]])
calibration.validate_original_corpus(manifest)
def test_experiment_identity_ignores_paths_but_rejects_semantic_resume(tmp_path):
manifest = _manifest(tmp_path)
first = calibration.make_experiment_id(manifest, _environment())
moved = json.loads(json.dumps(manifest))
moved["recordings"][0]["path"] = "/different/private/path.mp4"
assert calibration.make_experiment_id(moved, _environment()) == first
output = tmp_path / "result.json"
calibration.save_output(output, {"schema_version": 2, "experiment_id": "f" * 64})
with pytest.raises(ValueError, match="другому семантическому"):
calibration._load_or_create_output(output, manifest, _environment(), first)
def test_resume_rejects_different_measurement_host_without_path_identity(tmp_path):
manifest = _manifest(tmp_path)
first_environment = {
**_environment(),
"started_at_utc": "2026-08-29T00:00:00+00:00",
"platform": "host-a",
"cpu": "cpu-a",
"logical_cpus": 16,
"python_version": "3.13",
}
experiment_id = calibration.make_experiment_id(manifest, first_environment)
output_path = tmp_path / "result.json"
calibration.save_output(
output_path,
calibration._new_output(manifest, first_environment, experiment_id),
)
moved = json.loads(json.dumps(manifest))
moved["recordings"][0]["path"] = "/moved/private/recording.mp4"
assert calibration.make_experiment_id(moved, first_environment) == experiment_id
second_environment = {
**first_environment,
"started_at_utc": "2026-08-30T00:00:00+00:00",
"platform": "host-b",
"cpu": "cpu-b",
"logical_cpus": 2,
}
with pytest.raises(ValueError, match="другой platform/cpu/logical_cpus"):
calibration._load_or_create_output(
output_path, moved, second_environment, experiment_id
)
def test_cell_expansion_is_rectangular_deterministic_and_path_independent(tmp_path):
manifest = _manifest(tmp_path)
experiment_id = calibration.make_experiment_id(manifest, _environment())
cells = calibration.expand_automatic_cells(manifest, experiment_id)
assert len(cells) == 15
assert [
(cell["combination_id"], cell["recording_id"], cell["threshold"])
for cell in cells[:4]
] == [
("fp32-wespeaker", "data-test", 0.8),
("fp32-wespeaker", "t2-bdma", 0.8),
("fp32-wespeaker", "yantar", 0.8),
("fp32-wespeaker", "data-test", 0.9),
]
assert all(cell["num_clusters"] == -1 for cell in cells)
moved = json.loads(json.dumps(manifest))
for model in moved["segmentation_models"] + moved["embedding_models"]:
model["path"] = f"/moved/models/{model['id']}.onnx"
for recording in moved["recordings"]:
recording["path"] = f"/moved/media/{recording['id']}.mp4"
recording["asr_words"]["path"] = f"/moved/words/{recording['id']}.json"
if recording["reference"]:
recording["reference"]["path"] = f"/moved/refs/{recording['id']}.md"
moved_experiment_id = calibration.make_experiment_id(moved, _environment())
assert moved_experiment_id == experiment_id
assert calibration.expand_automatic_cells(moved, moved_experiment_id) == cells
def test_threshold_selection_requires_complete_rectangle_and_uses_shared_gate(tmp_path):
manifest = _manifest(tmp_path)
combination = manifest["combinations"][0]
specs = calibration.expand_automatic_cells(manifest, "e" * 64)[:6]
assert calibration.select_threshold(combination, manifest["recordings"], []) is None
counts = [3, 2, 3, 3, 2, 2]
purities = [None, 0.7, 0.9, None, 0.8, 0.8]
cells = [
_complete_cell(spec, count, purity)
for spec, count, purity in zip(specs, counts, purities, strict=True)
]
selection = calibration.select_threshold(combination, manifest["recordings"], cells)
assert selection["selected_threshold"] == 0.9
assert selection["meets_count_gate"] is True
known = calibration.derive_known_cells(manifest, "e" * 64, selection)
assert [cell["num_clusters"] for cell in known] == [3, 2, 2]
assert {cell["threshold"] for cell in known} == {0.9}
def test_threshold_selection_records_failed_gate(tmp_path):
manifest = _manifest(tmp_path)
combination = manifest["combinations"][1]
specs = [
cell
for cell in calibration.expand_automatic_cells(manifest, "e" * 64)
if cell["combination_id"] == combination["id"]
]
cells = [
_complete_cell(spec, count, purity)
for spec, count, purity in zip(specs, [4, 3, 3], [None, 0.8, 0.8], strict=True)
]
assert (
calibration.select_threshold(combination, manifest["recordings"], cells)[
"meets_count_gate"
]
is False
)
def test_stage_timing_parser_accepts_native_lines():
log = (
"[I] OfflineSpeakerDiarization: segmentation 1.000 s\n"
"[I] OfflineSpeakerDiarization: embedding 2.000 s\n"
"[I] OfflineSpeakerDiarization: clustering 0.100 s\n"
"[I] OfflineSpeakerDiarization: total 3.100 s, audio 10.000 s, RTF 0.310"
)
stages = calibration.parse_stage_timings(log, "1.13.5")
assert stages["engine_total_seconds"] == 3.1
assert stages["engine_audio_seconds"] == 10.0
assert stages["engine_rtf"] == 0.31
@pytest.mark.parametrize(
"log",
[
"OfflineSpeakerDiarization: segmentation 1.0 s",
"OfflineSpeakerDiarization: segmentation 1.0 s\nOfflineSpeakerDiarization: segmentation 1.0 s\nOfflineSpeakerDiarization: embedding 1.0 s\nOfflineSpeakerDiarization: clustering 1.0 s\nOfflineSpeakerDiarization: total 3.0 s, audio 4 s, RTF .75",
"OfflineSpeakerDiarization: segmentation -1.0 s\nOfflineSpeakerDiarization: embedding 1.0 s\nOfflineSpeakerDiarization: clustering 1.0 s\nOfflineSpeakerDiarization: total 1.0 s, audio 4 s, RTF .25",
],
)
def test_stage_timing_parser_rejects_missing_duplicate_and_negative(log):
with pytest.raises(ValueError):
calibration.parse_stage_timings(log, "1.13.5")
def test_stage_timing_parser_rejects_extra_malformed_record():
log = (
"OfflineSpeakerDiarization: segmentation ??? s\n"
"OfflineSpeakerDiarization: segmentation 1.000 s\n"
"OfflineSpeakerDiarization: embedding 2.000 s\n"
"OfflineSpeakerDiarization: clustering 0.100 s\n"
"OfflineSpeakerDiarization: total 3.100 s, audio 10.000 s, RTF 0.310"
)
with pytest.raises(ValueError, match="повреждённую"):
calibration.parse_stage_timings(log, "1.13.5")
def test_measurement_uses_injected_cpu_clock_and_rss_once():
process = SimpleNamespace()
calls = []
cpu_times = iter(
[SimpleNamespace(user=1.0, system=2.0), SimpleNamespace(user=2.0, system=2.5)]
)
def read_cpu_times():
calls.append("cpu")
return next(cpu_times)
process.cpu_times = read_cpu_times
class Sampler:
def __init__(self, actual_process, interval):
assert actual_process is process
assert interval == 0.01
def start(self):
calls.append("start")
def stop(self):
calls.append("stop")
return 1234
clock = iter([10.0, 12.0]).__next__
result, metrics = calibration.measure_call(
lambda: calls.append("process") or "ok",
process,
clock=clock,
sampler_factory=Sampler,
interval_seconds=0.01,
logical_cpus=4,
)
assert result == "ok"
assert calls == ["start", "cpu", "process", "cpu", "stop"]
assert metrics["cpu_total_seconds"] == 1.5
assert metrics["average_cpu_percent_machine"] == 18.75
assert metrics["peak_rss_bytes"] == 1234
def test_measurement_preserves_operation_error_when_sampler_stop_also_fails():
process = SimpleNamespace(
cpu_times=iter(
[
SimpleNamespace(user=1.0, system=2.0),
SimpleNamespace(user=1.1, system=2.1),
]
).__next__
)
class Sampler:
def __init__(self, process, interval):
pass
def start(self):
pass
def stop(self):
raise RuntimeError("sampler failed")
def operation():
raise ValueError("operation failed")
with pytest.raises(ValueError, match="operation failed") as error:
calibration.measure_call(
operation,
process,
clock=iter([1.0, 2.0]).__next__,
sampler_factory=Sampler,
interval_seconds=0.01,
logical_cpus=4,
)
assert any("sampler failed" in note for note in error.value.__notes__)
def test_decode_cache_identity_covers_hash_bounds_and_decoder():
recording = {"sha256": "a" * 64, "start": 1.0, "duration": 2.0}
original = calibration.decode_cache_key(recording)
assert calibration.decode_cache_key({**recording, "start": 2.0}) != original
assert calibration.decode_cache_key({**recording, "sha256": "b" * 64}) != original
assert calibration.decode_cache_key(recording, "another-decoder") != original
def test_decode_clip_declares_wav_format_for_temporary_output(tmp_path, monkeypatch):
recording = {
"id": "synthetic",
"path": str(tmp_path / "source.mp4"),
"sha256": "a" * 64,
"start": 1.0,
"duration": 2.0,
}
commands = []
def run(command, *, check):
assert check is True
commands.append(command)
Path(command[-1]).touch()
monkeypatch.setattr(calibration.subprocess, "run", run)
monkeypatch.setattr(calibration, "read_wav", lambda path: None)
output = calibration.decode_clip(recording, tmp_path / "work")
assert output.is_file()
assert not output.with_suffix(".wav.tmp").exists()
assert commands[0][-3:-1] == ["-f", "wav"]
def test_hypescribe_parser_mapping_and_empty_diagnostics(tmp_path):
reference = tmp_path / "reference.md"
reference.write_text(
"**[00:10] Speaker 1:**\ntext\n**[00:15] Speaker 2:**\n", encoding="utf-8"
)
recording = {
"id": "clip",
"path": str(tmp_path / "clip.mp4"),
"sha256": "a" * 64,
"start": 12.0,
"duration": 6.0,
"expected_speakers": 2,
"reference": {"path": str(reference)},
}
turns = calibration.read_reference_turns(recording)
assert turns == [
{"speaker": "1", "start": 0.0, "end": 3.0},
{"speaker": "2", "start": 3.0, "end": 6.0},
]
mapping = calibration.best_mapping(
[
{"speaker": 7, "start": 0.0, "end": 3.0},
{"speaker": 8, "start": 3.0, "end": 6.0},
],
turns,
)
assert mapping["mapped_speaker_purity"] == 1.0
assert calibration.best_mapping([], turns) is None
summary = calibration.summarize_segments([], recording)
assert summary["clusters"] == 0 and summary["residual_share_after_expected"] is None
def test_asr_sidecar_validation_text_invariance_and_unknown_words(tmp_path):
sidecar = tmp_path / "words.json"
sidecar.write_text(
json.dumps(
[
{"start": 0.0, "end": 0.5, "text": "Привет"},
{"start": 0.5, "end": 0.6, "text": "!"},
]
),
encoding="utf-8",
)
words = calibration.load_asr_words(sidecar, 2.0)
recording = {"duration": 2.0, "expected_speakers": 1}
diagnostics, invariant = calibration.evaluate_segments(
[{"speaker": 0, "start": 0.0, "end": 0.5}], recording, words, []
)
assert diagnostics["unassigned_word_count"] == 1
assert diagnostics["mapped_speaker_purity"] is None
assert invariant["equal"] is True and invariant["first_mismatch_index"] is None
sidecar.write_text(
json.dumps(
[
{"start": 1.0, "end": 1.1, "text": "a"},
{"start": 0.5, "end": 0.6, "text": "b"},
]
),
encoding="utf-8",
)
with pytest.raises(ValueError, match="границы"):
calibration.load_asr_words(sidecar, 2.0)
def test_asr_sidecar_rejects_empty_baseline(tmp_path):
sidecar = tmp_path / "words.json"
sidecar.write_text("[]", encoding="utf-8")
with pytest.raises(ValueError, match="хотя бы одно слово"):
calibration.load_asr_words(sidecar, 300.0)
def test_text_invariance_records_first_mismatch_without_text():
transcript = SimpleNamespace(turns=[SimpleNamespace(text="другой")])
words = [SimpleNamespace(text="текст")]
evidence = calibration.text_invariance(words, transcript)
assert evidence["equal"] is False
assert evidence["first_mismatch_index"] == 0
assert "текст" not in json.dumps(evidence, ensure_ascii=False)
def test_text_invariance_ignores_unicode_whitespace_at_turn_boundaries():
words = [
SimpleNamespace(text="Вопрос?"),
SimpleNamespace(text=" — "),
SimpleNamespace(text="ответ"),
]
transcript = SimpleNamespace(
turns=[SimpleNamespace(text="Вопрос?"), SimpleNamespace(text="— ответ")]
)
evidence = calibration.text_invariance(words, transcript)
assert calibration.canonical_non_whitespace_sequence(words) == "Вопрос?—ответ"
assert evidence["equal"] is True
assert evidence["first_mismatch_index"] is None
@pytest.mark.parametrize("output", ["Вопрос?ответ", "Вопрос!—ответ"])
def test_text_invariance_rejects_non_whitespace_deletion_or_substitution(output):
words = [SimpleNamespace(text="Вопрос?"), SimpleNamespace(text="— ответ")]
transcript = SimpleNamespace(turns=[SimpleNamespace(text=output)])
evidence = calibration.text_invariance(words, transcript)
assert evidence["equal"] is False
assert evidence["input_sha256"] != evidence["output_sha256"]
assert evidence["first_mismatch_index"] is not None
def test_atomic_persistence_leaves_no_temporary_file(tmp_path):
output = tmp_path / "nested" / "result.json"
calibration.save_output(output, {"private": "value"})
assert json.loads(output.read_text()) == {"private": "value"}
assert list(output.parent.glob("*.tmp")) == []
def test_atomic_persistence_preserves_target_and_cleans_temp_on_dump_failure(tmp_path):
output = tmp_path / "result.json"
calibration.save_output(output, {"stable": True})
with pytest.raises(TypeError):
calibration.save_output(output, {"unserializable": object()})
assert json.loads(output.read_text(encoding="utf-8")) == {"stable": True}
assert list(output.parent.glob("*.tmp")) == []
def test_worker_failure_is_persisted_and_retried(tmp_path, monkeypatch):
output = {"cells": []}
output_path = tmp_path / "result.json"
spec = {
"cell_id": "cell",
"combination_id": "c",
"recording_id": "r",
"mode": "automatic",
"threshold": 0.8,
"num_clusters": -1,
}
attempts = []
def execute(*args, **kwargs):
attempts.append(1)
if len(attempts) == 1:
raise RuntimeError("boom")
return {**spec, "status": "complete"}
monkeypatch.setattr(calibration, "_execute_cell", execute)
calibration._run_specs([spec], {}, output, {}, output_path, tmp_path)
assert output["cells"][0]["status"] == "failed"
assert output["cells"][0]["metrics"] is None
calibration._run_specs([spec], {}, output, {}, output_path, tmp_path)
assert output["cells"][0]["status"] == "complete"
assert len(attempts) == 2
def test_execute_cell_rejects_text_mismatch_without_persisting_private_text(
tmp_path, monkeypatch
):
manifest = _manifest(tmp_path)
output = {"environment": {"logical_cpus": 4, "sherpa_onnx_version": "1.13.5"}}
spec = calibration.expand_automatic_cells(manifest, "e" * 64)[0]
recording = manifest["recordings"][0]
private_text = " СОВЕРШЕННО-СЕКРЕТНЫЙ-ТЕКСТ"
Path(recording["asr_words"]["path"]).write_text(
json.dumps([{"start": 0.0, "end": 0.5, "text": private_text}]),
encoding="utf-8",
)
monkeypatch.setattr(
calibration,
"run_worker",
lambda *args, **kwargs: (
{"metrics": {"wall_seconds": 1.0}, "segments": []},
(
"OfflineSpeakerDiarization: segmentation 0.300 s\n"
"OfflineSpeakerDiarization: embedding 0.600 s\n"
"OfflineSpeakerDiarization: clustering 0.100 s\n"
"OfflineSpeakerDiarization: total 1.000 s, "
"audio 10.000 s, RTF 0.100"
),
),
)
monkeypatch.setattr(calibration, "read_reference_turns", lambda *args: [])
def evaluate(segments, recording, words, reference_turns):
source = calibration.canonical_non_whitespace_sequence(words)
assert private_text.strip() in source
output = source[:-1]
return {}, {
"input_sha256": hashlib.sha256(source.encode()).hexdigest(),
"output_sha256": hashlib.sha256(output.encode()).hexdigest(),
"equal": False,
"first_mismatch_index": len(output),
}
monkeypatch.setattr(calibration, "evaluate_segments", evaluate)
with pytest.raises(RuntimeError, match="first_mismatch_index=") as error:
calibration._execute_cell(
spec,
manifest,
output,
{recording["id"]: tmp_path / "decoded.wav"},
tmp_path,
)
assert private_text.strip() not in str(error.value)
def test_execute_cell_rejects_engine_audio_duration_mismatch(tmp_path, monkeypatch):
manifest = _manifest(tmp_path)
output = {"environment": {"logical_cpus": 4, "sherpa_onnx_version": "1.13.5"}}
spec = calibration.expand_automatic_cells(manifest, "e" * 64)[0]
recording = manifest["recordings"][0]
monkeypatch.setattr(
calibration,
"run_worker",
lambda *args, **kwargs: (
{"metrics": {"wall_seconds": 1.0}, "segments": []},
(
"OfflineSpeakerDiarization: segmentation 0.300 s\n"
"OfflineSpeakerDiarization: embedding 0.600 s\n"
"OfflineSpeakerDiarization: clustering 0.100 s\n"
"OfflineSpeakerDiarization: total 1.000 s, "
"audio 9.000 s, RTF 0.111"
),
),
)
with pytest.raises(RuntimeError, match="Длительность audio"):
calibration._execute_cell(
spec,
manifest,
output,
{recording["id"]: tmp_path / "decoded.wav"},
tmp_path,
)
def test_main_fails_closed_when_a_cell_failed(tmp_path, monkeypatch):
manifest = _manifest(tmp_path)
for recording in manifest["recordings"]:
recording.update(calibration.ORIGINAL_CORPUS[recording["id"]])
manifest_path = tmp_path / "manifest.json"
manifest_path.write_text(json.dumps(manifest), encoding="utf-8")
output_path = tmp_path / "result.json"
work_dir = tmp_path / "work"
monkeypatch.setattr(calibration, "validate_manifest", lambda *args, **kwargs: None)
monkeypatch.setattr(
calibration,
"environment_snapshot",
lambda: {
**_environment(),
"started_at_utc": "2026-08-29T00:00:00+00:00",
"platform": "test",
"cpu": "test",
"logical_cpus": 4,
"python_version": "3.13",
},
)
monkeypatch.setattr(
calibration,
"decode_clip",
lambda recording, target: tmp_path / f"{recording['id']}.wav",
)
def run_specs(specs, manifest, output, decoded, output_path, work_dir):
for spec in specs:
calibration._replace_cell(
output, calibration._failed_cell(spec, RuntimeError("boom"))
)
calibration.save_output(output_path, output)
monkeypatch.setattr(calibration, "_run_specs", run_specs)
with pytest.raises(RuntimeError, match="незавершённых ячеек 15"):
calibration.main(
[
"--manifest",
str(manifest_path),
"--output",
str(output_path),
"--work-dir",
str(work_dir),
]
)
def test_main_fails_closed_for_complete_rectangle_without_mapped_purity(
tmp_path, monkeypatch
):
manifest = _manifest(tmp_path)
for recording in manifest["recordings"]:
recording.update(calibration.ORIGINAL_CORPUS[recording["id"]])
manifest_path = tmp_path / "manifest.json"
manifest_path.write_text(json.dumps(manifest), encoding="utf-8")
output_path = tmp_path / "result.json"
work_dir = tmp_path / "work"
monkeypatch.setattr(calibration, "validate_manifest", lambda *args, **kwargs: None)
monkeypatch.setattr(
calibration,
"environment_snapshot",
lambda: {
**_environment(),
"started_at_utc": "2026-08-29T00:00:00+00:00",
"platform": "test",
"cpu": "test",
"logical_cpus": 4,
"python_version": "3.13",
},
)
monkeypatch.setattr(
calibration,
"decode_clip",
lambda recording, target: tmp_path / f"{recording['id']}.wav",
)
modes = []
def run_specs(specs, manifest, output, decoded, output_path, work_dir):
modes.extend({spec["mode"] for spec in specs})
expected = {
recording["id"]: recording["expected_speakers"]
for recording in manifest["recordings"]
}
for spec in specs:
calibration._replace_cell(
output,
_complete_cell(spec, expected[spec["recording_id"]], purity=None),
)
calibration.save_output(output_path, output)
monkeypatch.setattr(calibration, "_run_specs", run_specs)
with pytest.raises(RuntimeError, match="свип непригоден"):
calibration.main(
[
"--manifest",
str(manifest_path),
"--output",
str(output_path),
"--work-dir",
str(work_dir),
]
)
output = json.loads(output_path.read_text(encoding="utf-8"))
assert modes == ["automatic"]
assert {cell["mode"] for cell in output["cells"]} == {"automatic"}
assert output["threshold_selection"] == []
def test_run_worker_fake_protocol_reports_failure_and_success(tmp_path):
request = {"cell_id": "abc"}
commands = []
def failed(command, **kwargs):
commands.append(command)
return SimpleNamespace(returncode=1, stdout="", stderr="worker failed\n")
with pytest.raises(RuntimeError, match="worker failed"):
calibration.run_worker(request, tmp_path, runner=failed)
def success(command, **kwargs):
commands.append(command)
return SimpleNamespace(
returncode=0,
stdout='{"metrics":{},"segments":[]}',
stderr="native log",
)
payload, stderr = calibration.run_worker(request, tmp_path, runner=success)
assert payload["segments"] == [] and stderr == "native log"
for command in commands:
assert command[:3] == [
sys.executable,
str(SCRIPT.resolve()),
"--worker",
]
request_path = Path(command[3])
assert request_path.is_file()
assert json.loads(request_path.read_text(encoding="utf-8")) == request
uv.lock
Generated
+21 -1
View File
@@ -279,6 +279,7 @@ dependencies = [
[package.dev-dependencies]
dev = [
{ name = "psutil" },
{ name = "pytest" },
]
@@ -297,7 +298,10 @@ requires-dist = [
]
[package.metadata.requires-dev]
dev = [{ name = "pytest" }]
dev = [
{ name = "psutil", specifier = ">=7,<8" },
{ name = "pytest" },
]
[[package]]
name = "markdown-it-py"
@@ -521,6 +525,22 @@ wheels = [
{ url = "https://files.pythonhosted.org/packages/c7/21/705964c7812476f378728bdf590ca4b771ec72385c533964653c68e86bdc/pygments-2.19.2-py3-none-any.whl", hash = "sha256:86540386c03d588bb81d44bc3928634ff26449851e99741617ecb9037ee5ec0b", size = 1225217, upload-time = "2025-06-21T13:39:07.939Z" },
]
[[package]]
name = "psutil"
version = "7.2.2"
source = { registry = "https://pypi.org/simple" }
sdist = { url = "https://files.pythonhosted.org/packages/aa/c6/d1ddf4abb55e93cebc4f2ed8b5d6dbad109ecb8d63748dd2b20ab5e57ebe/psutil-7.2.2.tar.gz", hash = "sha256:0746f5f8d406af344fd547f1c8daa5f5c33dbc293bb8d6a16d80b4bb88f59372", size = 493740, upload-time = "2026-01-28T18:14:54.428Z" }
wheels = [
{ url = "https://files.pythonhosted.org/packages/e7/36/5ee6e05c9bd427237b11b3937ad82bb8ad2752d72c6969314590dd0c2f6e/psutil-7.2.2-cp36-abi3-macosx_10_9_x86_64.whl", hash = "sha256:ed0cace939114f62738d808fdcecd4c869222507e266e574799e9c0faa17d486", size = 129090, upload-time = "2026-01-28T18:15:22.169Z" },
{ url = "https://files.pythonhosted.org/packages/80/c4/f5af4c1ca8c1eeb2e92ccca14ce8effdeec651d5ab6053c589b074eda6e1/psutil-7.2.2-cp36-abi3-macosx_11_0_arm64.whl", hash = "sha256:1a7b04c10f32cc88ab39cbf606e117fd74721c831c98a27dc04578deb0c16979", size = 129859, upload-time = "2026-01-28T18:15:23.795Z" },
{ url = "https://files.pythonhosted.org/packages/b5/70/5d8df3b09e25bce090399cf48e452d25c935ab72dad19406c77f4e828045/psutil-7.2.2-cp36-abi3-manylinux2010_x86_64.manylinux_2_12_x86_64.manylinux_2_28_x86_64.whl", hash = "sha256:076a2d2f923fd4821644f5ba89f059523da90dc9014e85f8e45a5774ca5bc6f9", size = 155560, upload-time = "2026-01-28T18:15:25.977Z" },
{ url = "https://files.pythonhosted.org/packages/63/65/37648c0c158dc222aba51c089eb3bdfa238e621674dc42d48706e639204f/psutil-7.2.2-cp36-abi3-manylinux2014_aarch64.manylinux_2_17_aarch64.manylinux_2_28_aarch64.whl", hash = "sha256:b0726cecd84f9474419d67252add4ac0cd9811b04d61123054b9fb6f57df6e9e", size = 156997, upload-time = "2026-01-28T18:15:27.795Z" },
{ url = "https://files.pythonhosted.org/packages/8e/13/125093eadae863ce03c6ffdbae9929430d116a246ef69866dad94da3bfbc/psutil-7.2.2-cp36-abi3-musllinux_1_2_aarch64.whl", hash = "sha256:fd04ef36b4a6d599bbdb225dd1d3f51e00105f6d48a28f006da7f9822f2606d8", size = 148972, upload-time = "2026-01-28T18:15:29.343Z" },
{ url = "https://files.pythonhosted.org/packages/04/78/0acd37ca84ce3ddffaa92ef0f571e073faa6d8ff1f0559ab1272188ea2be/psutil-7.2.2-cp36-abi3-musllinux_1_2_x86_64.whl", hash = "sha256:b58fabe35e80b264a4e3bb23e6b96f9e45a3df7fb7eed419ac0e5947c61e47cc", size = 148266, upload-time = "2026-01-28T18:15:31.597Z" },
{ url = "https://files.pythonhosted.org/packages/b4/90/e2159492b5426be0c1fef7acba807a03511f97c5f86b3caeda6ad92351a7/psutil-7.2.2-cp37-abi3-win_amd64.whl", hash = "sha256:eb7e81434c8d223ec4a219b5fc1c47d0417b12be7ea866e24fb5ad6e84b3d988", size = 137737, upload-time = "2026-01-28T18:15:33.849Z" },
{ url = "https://files.pythonhosted.org/packages/8c/c7/7bb2e321574b10df20cbde462a94e2b71d05f9bbda251ef27d104668306a/psutil-7.2.2-cp37-abi3-win_arm64.whl", hash = "sha256:8c233660f575a5a89e6d4cb65d9f938126312bca76d8fe087b947b3a1aaac9ee", size = 134617, upload-time = "2026-01-28T18:15:36.515Z" },
]
[[package]]
name = "pytest"
version = "9.0.2"