2026-08-30 21:07:26 +03:00
3 changed files with 247 additions and 12 deletions
@@ -353,7 +353,8 @@ faster-whisper её не поддерживает, и запуск с `--device
 | `parakeet-v3` | ~600 MB | 7,6×* | 25 языков | ✅ |
 \* Наблюдение на AMD Ryzen 7 8845H, Windows, `int8`, три записи общей
-длительностью 43:37. Это не приёмочный замер для целевого Intel Core i5.
+длительностью 43:37. Замер описывает только эту тестовую машину; скорость на
 других CPU требует отдельного прогона.
 Методика и качественное сравнение:
 [benchmark GigaAM и Whisper](docs/benchmarks/2026-08-11-gigaam-model-comparison.md).
@@ -13,7 +13,12 @@
 **Промежуточный статус 2026-08-11:** короткая матрица на трёх записях завершена
 и описана в [benchmark GigaAM и Whisper](benchmarks/2026-08-11-gigaam-model-comparison.md).
 Multilingual Large добавлена как явный качественный профиль; решение о default
-по-прежнему ждёт целевого Intel Core i5 и длинных негативных примеров.
+по-прежнему ждет длинных негативных примеров и проверки производительности на
 нескольких доступных классах CPU.
 Под CPU-дефолтом в этом разделе понимается программный профиль: backend, модель
 и `compute_type`, выбранные без явных аргументов пользователя. Целевого
 процессора и обязательного эталонного SKU у проекта нет.
 **Проблема:** текущий CPU-путь через OpenVINO Whisper medium нестабилен на
 длинных записях с тихими участками: модель генерирует правдоподобные повторы и
@@ -68,10 +73,16 @@ Multilingual Large добавлена как явный качественный
 **Матрица производительности:**
- обязательный прогон на реальном Intel Core i5 11-го поколения; точный SKU,
+- использовать минимум два доступных x86-ориентира: консервативный baseline на
-  число ядер, объём RAM, power mode и число потоков записать вместе с результатом;
+  Intel Core i7-6820HQ и современный baseline на AMD Ryzen 7 8845H;
- Ryzen 7 8845H разработчика и ограничение числа потоков использовать только для
+- для каждого прогона записывать точный SKU, физические ядра и логические
-  предварительного smoke-теста, не как приёмку производительности i5;
+  потоки, CPUID/ISA, объем RAM, power mode и фактическое число потоков;
 - Ryzen использовать как основную машину для итераций и как современный
  контролируемый baseline. Результат относится только к зафиксированной
  конфигурации;
 - при доступности отдельно собирать результаты на других x86-ноутбуках и Apple
  Silicon как данные о переносимости; в контролируемую матрицу входят два
  предыдущих x86 baseline;
 - измерять отдельно cold start/загрузку модели и warm transcription, медиану
  трёх прогонов, RTFx, peak RSS и размер скачиваемой модели;
 - короткий 15-минутный фрагмент нужен для итераций, полные записи 22–81 мин —
@@ -92,8 +103,9 @@ Multilingual Large добавлена как явный качественный
 **Если подтвердится бенчмарком:**
- Если E2E RNN-T сохраняет качество и приемлемую скорость на i5 — сделать его
+- Если E2E RNN-T сохраняет качество и приемлемую скорость на выбранной
-  русским CPU-дефолтом, OpenVINO оставить явной опцией.
+  CPU-матрице - сделать его русским CPU-дефолтом, OpenVINO оставить явной
  опцией.
 - Если лучший вариант зависит от языка — выбрать language-aware default:
  GigaAM v3 для русского, multilingual-модель для смешанной речи.
 - Если модели GigaAM проигрывают по пунктуации/смыслу — сохранить текущий
@@ -135,10 +147,11 @@ Multilingual Large добавлена как явный качественный
 - Переключить русский CPU-дефолт на победителя сравнительного GigaAM-бенчмарка.
 - Предупреждать пользователя при `--device openvino-cpu` для файлов >30 мин.
-**Приоритет:** высокий — проблема затрагивает текущий OpenVINO CPU-путь, а
+**Приоритет:** высокий - проблема затрагивает текущий OpenVINO CPU-путь, а
-целевая аудитория включает ноутбуки с Intel Core i5 11-го поколения. GigaAM v3
+пользователи работают на ноутбуках разных поколений и производителей.
-остаётся рабочей явной альтернативой для русского, но выбор безопасного
+Среди них встречаются и более скромные машины уровня Intel Core i5 11-го
-auto/default требует сравнительного бенчмарка.
+поколения. GigaAM v3 остается рабочей явной альтернативой для русского, но
 выбор безопасного auto/default требует сравнительного бенчмарка.
 ---
@@ -0,0 +1,221 @@
 # Ускорение извлечения голосовых эмбеддингов на x86 CPU
 **Дата:** 2026-08-30
 **Статус:** исследовательская записка. Production-код и конфигурация не
 менялись.
 **Метод:** проверены `sherpa-onnx==1.13.5`, `onnxruntime==1.28.0`, официальные
 скрипты экспорта и исходники владельцев моделей. Три официальных release asset
 прочитаны потоком без сохранения на диск: WeSpeaker ResNet34 LM, CAMPPlus en и
 TitaNet small. Их входы, выходы и метаданные разобраны через ORT 1.28.0; для
 каждого выполнен CPU smoke-test с batch size 2.
 ## Вопрос и краткий ответ
 Текущий путь не использует batch: sherpa-onnx последовательно создает stream и
 вызывает один `Session::Run` для каждой пары "окно, локальный говорящий".
 Публичный `SpeakerEmbeddingExtractor` также принимает один stream за вызов.
 Из трех направлений достойны прототипа два:
 1. статическая INT8-квантизация действующего WeSpeaker в формате S8S8 QDQ;
 2. несколько независимых stream поверх **одной** ORT session с ограниченным
   общим числом потоков.
 Настоящий batch технически лучше всего подготовлен у TitaNet: граф принимает
 вектор длин. Но TitaNet пока допустим только при явно известном числе говорящих,
 а sherpa-onnx все равно фиксирует batch size 1. Поэтому batch TitaNet -
 условный следующий прототип; действующую конфигурацию он не ускоряет.
 Несколько отдельных session не стоит прототипировать первым: это не уменьшает
 работу, создает отдельные пулы потоков и арены памяти, повышает риск
 oversubscription и
 роста RSS. Для WeSpeaker и CAMPPlus batch с простым дополнением также не готов:
 их графы не принимают длины или маску.
 ## Что именно выполняется последовательно
 Приложение создает один `OfflineSpeakerDiarization` и задает одно и то же
 `num_threads` отдельно для segmentation и embedding
 ([адаптер проекта](../../src/local_transcriber/speaker_diarizer.py)). Внутри
 sherpa-onnx стадии идут строго `segmentation → embeddings → clustering`, а
 `ComputeEmbeddings` проходит список пар обычным циклом: создает stream,
 добавляет все неперекрывающиеся фрагменты одного локального говорящего,
 завершает input и синхронно вызывает `Compute`
 ([реализация Pyannote в sherpa-onnx 1.13.5](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/offline-speaker-diarization-pyannote-impl.h)).
 Публичный C++ и Python API экспортирует `create_stream`, `is_ready` и
 `compute(stream)`. Метода `compute_batch(streams)` нет
 ([C++ API](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/speaker-embedding-extractor.h),
 [Python binding](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/python/csrc/speaker-embedding-extractor.cc)).
 Python binding освобождает GIL на `compute`, поэтому внешний параллельный вызов
 в принципе возможен; готовый диаризатор промежуточные stream наружу не отдает.
 Для embedding создается одна ORT session. Sherpa-onnx передает заданное число и
 в `intra_op_num_threads`, и в `inter_op_num_threads`
 ([настройка session](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/session.cc)).
 ORT по умолчанию исполняет граф последовательно; `inter_op` начинает
 распараллеливать узлы только при `ORT_PARALLEL`, тогда как `intra_op`
 распараллеливает оператор
 ([официальная документация ORT](https://onnxruntime.ai/docs/performance/tune-performance/threading.html)).
 Значит, в текущем CPU-пути основная ручка - `intra_op`.
 ## Контракты трех графов
 | Модель | Вход и выход официального экспорта | Следствие для batch |
 |---|---|---|
 | WeSpeaker ResNet34 LM | Release asset имеет один `float32`-вход `[B, T, 80]` и выход `[B, 256]` ([asset](https://github.com/k2-fsa/sherpa-onnx/releases/download/speaker-recongition-models/wespeaker_en_voxceleb_resnet34_LM.onnx)). Скрипт, которым sherpa-onnx добавляет метаданные, проверяет символические `B`, `T`, размерность 80 и единственный выход. Метаданные включают `framework=wespeaker`, `sample_rate`, `output_dim`, `normalize_samples=0` ([проверка sherpa-onnx](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/scripts/wespeaker/add_meta_data.py), [экспорт WeSpeaker](https://github.com/wenet-e2e/wespeaker/blob/master/wespeaker/bin/export_onnx.py)). | Равные `T` можно сложить по `B`. Длины или маску граф не принимает; дополнение участвует в pooling и меняет эмбеддинг. |
 | CAMPPlus en | Release asset имеет `float32`-вход `[N, T, 80]` и выход с динамической первой осью `[*, 512]` ([asset](https://github.com/k2-fsa/sherpa-onnx/releases/download/speaker-recongition-models/3dspeaker_speech_campplus_sv_en_voxceleb_16k.onnx)). Метаданные: `framework=3d-speaker`, `output_dim=512`, `normalize_samples=1`, `feature_normalize_type=global-mean` ([экспорт sherpa-onnx](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/scripts/3dspeaker/export-onnx.py)). | Несмотря на опечатку экспортного скрипта (`embedding`/`embeddings`), release asset принимает batch равной длины и возвращает все строки. Для разных длин граф по-прежнему не принимает маску или длины. |
 | NeMo TitaNet small | Release asset имеет входы `float32 [N, 80, T]` и `int64 [N]`; выходы — logits `[N, 16681]` и embedding `[N, 192]` ([asset](https://github.com/k2-fsa/sherpa-onnx/releases/download/speaker-recongition-models/nemo_en_titanet_small.onnx), [контракт C++-обертки](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/speaker-embedding-extractor-nemo-model.h)). Метаданные содержат `framework=nemo`, `output_dim`, `feat_dim`, sample rate, параметры окна и нормализации ([экспорт](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/scripts/nemo/speaker-verification/export-onnx.py)). | Граф принимает batch и вектор длин. Но sherpa-onnx создает обе входные формы с `N=1` и возвращает только первую строку ([реализация](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/speaker-embedding-extractor-nemo-impl.h)). |
 Smoke-test с синтетическими `float32`-признаками и одним intra-op thread дал
 для WeSpeaker `(2, 256)`, для CAMPPlus `(2, 512)` и для TitaNet `(2, 192)`.
 У WeSpeaker и CAMPPlus результат batch size 2 совпал с конкатенацией двух
 последовательных `Run` (`max_abs_diff=0`). У TitaNet элемент длиной 100 кадров
 также совпал, но элемент длиной 80, дополненный до 100 кадров, отличался от
 отдельного непаддированного вызова (`max_abs_diff=0,0269`). Это не тест качества
 на голосе, а подтверждение, что допустимый порог для variable-length batch нужно
 определить в прототипе, а не считать эквивалентность гарантированной контрактом.
 WeSpeaker ResNet34 состоит из Conv2d-блоков и statistics pooling
 ([исходник WeSpeaker](https://github.com/wenet-e2e/wespeaker/blob/master/wespeaker/models/resnet.py));
 CAMPPlus сочетает Conv2d, TDNN/Conv1d и statistics pooling
 ([исходник 3D-Speaker](https://github.com/modelscope/3D-Speaker/blob/main/speakerlab/models/campplus/DTDNN.py));
 TitaNet использует depth-wise separable Conv1d, squeeze-and-excitation и
 attention statistics pooling
 ([документация NeMo](https://docs.nvidia.com/nemo-framework/user-guide/25.02/nemotoolkit/asr/speaker_recognition/models.html)).
 Этого недостаточно, чтобы утверждать: каждый оператор будет квантизован и
 ускорен.
 В [официальном выпуске speaker-recognition models](https://github.com/k2-fsa/sherpa-onnx/releases/tag/speaker-recongition-models)
 есть только FP32-файлы WeSpeaker, CAMPPlus и TitaNet; готовых INT8 embedding
 assets нет. Статический INT8 здесь означает собственный производный артефакт с
 отдельной проверкой лицензии, метаданных и качества.
 ## Оценка способов ускорения
 | Способ | Техническая доступность | Вердикт |
 |---|---|---|
 | Настоящий batch | Release-графы WeSpeaker и CAMPPlus поддерживают batch равной длины; TitaNet принимает batch и второй вход с длинами. Sherpa-onnx для всех трех жестко формирует `N=1` и не имеет batch API. | Прототипировать только TitaNet и только условно для режима с известным числом говорящих. Для WeSpeaker/CAMPPlus без маски возможны лишь группы с одинаковым `T`; ожидаемая наполняемость неизвестна. |
 | Несколько stream, одна session | Stream независимы, `Compute` использует локальные тензоры, а ORT разрешает нескольким потокам одновременно вызывать `Run` одной session ([архитектура ORT](https://onnxruntime.ai/docs/reference/high-level-design.html), [контракт 1.28.0](https://github.com/microsoft/onnxruntime/blob/v1.28.0/onnxruntime/core/session/inference_session.h)). Текущий цикл sherpa-onnx этого не делает. | Достойно узкого прототипа на WeSpeaker. У одной session общий intra-op pool; нужно сравнить внутренний и внешний параллелизм. Полный pool для каждого worker не нужен. |
 | Несколько session | Можно создать несколько extractor, но по умолчанию каждая session получает собственный intra-op pool и CPU arena. ORT отдельно предлагает общий pool против конкуренции session pools и общий allocator против роста памяти ([thread management](https://onnxruntime.ai/docs/performance/tune-performance/threading.html), [C API guide](https://onnxruntime.ai/docs/get-started/with-c.html#share-allocator-s-between-sessions)). | Не брать как самостоятельный кандидат. Допустима одна контрольная ячейка против shared-session, чтобы подтвердить отказ по реальному времени и RSS. |
 | Статический INT8 | ORT предоставляет `quantize_static`, использует calibration data и рекомендует static quantization для CNN. Для CPU первым выбором служит S8S8 QDQ; квантизация может ухудшить точность и даже скорость ([официальное руководство](https://onnxruntime.ai/docs/performance/model-optimizations/quantization.html)). | Главный кандидат для действующего WeSpeaker. CAMPPlus и TitaNet квантизовать только после продуктового решения использовать соответствующую модель. |
 Batch сокращает число `Session::Run` и может лучше загрузить SIMD, но число
 эмбеддингов и основная модельная арифметика сохраняются; padding может даже
 добавить работу. Несколько stream или session лишь перекрывают независимые
 вызовы. Только INT8 меняет арифметику и объем движения весов. Увеличение шага
 окна или отказ от части эмбеддингов действительно сокращают работу. Их нужно
 рассматривать в отдельном исследовании шага окна.
 ## ISA, oversubscription и память
 AVX2, VNNI и AVX-512 служат уровнями runtime dispatch одного формата модели.
 MLAS в ORT 1.28.0 проверяет CPUID во время запуска и выбирает отдельные AVX2,
 AVX-VNNI, AVX-512 и
 AVX512-VNNI kernels
 ([runtime dispatch](https://github.com/microsoft/onnxruntime/blob/v1.28.0/onnxruntime/core/mlas/lib/platform.cpp)).
 Один QDQ-граф поэтому нужно измерять на разных CPU. Отдельная сборка под каждый
 из них не нужна.
 Официальное руководство ORT предупреждает:
 - S8S8 QDQ остается первым выбором CPU. Если он дает значимую потерю
  точности, ORT советует проверить U8U8;
 - отдельный путь U8S8 на AVX2 и AVX-512 без VNNI использует `VPMADDUBSW` и
  может дать saturation; если до него дойдет матрица, этот риск снижают
  `reduce_range` или переход на U8U8;
 - на x86 с VNNI этой проблемы нет, а INT8 обычно выигрывает больше;
 - на старом CPU без подходящих инструкций quantize/dequantize overhead способен
  сделать модель медленнее
  ([разделы Data type selection и FAQ](https://onnxruntime.ai/docs/performance/model-optimizations/quantization.html)).
 Доступный Core i7-6820HQ официально заявляет только SSE4.1/4.2 и AVX2
 ([Intel ARK](https://www.intel.com/content/www/us/en/products/sku/88970/intel-core-i76820hq-processor-8m-cache-up-to-3-60-ghz/specifications.html)).
 Современный класс должен выбираться по фактическим CPUID-флагам. Надписи
 "11-е поколение" недостаточно: минимум нужен `avx512_vnni` или `avx_vnni`. Для доступного
 Zen 4 AMD документирует AVX-512 и AVX512_VNNI как путь ускоренного integer GEMM
 ([AMD AOCL](https://docs.amd.com/r/en-US/68552-AOCL-api-guide/Hardware-Utilization)).
 В параллельном прототипе нужно измерять RSS. Уже последовательный тест показал,
 что TitaNet требует примерно на 147–149 МиБ больше RSS, чем WeSpeaker, а FP32
 WeSpeaker на старом Intel использовал в среднем 6,84 логического ядра из восьми
 ([локальный benchmark](../benchmarks/2026-08-30-lightweight-diarization-cpu.md)).
 Конкурентные `Run` одной session делят общий intra-op pool, но все равно
 конкурируют за его очереди и добавляют вызывающие потоки. Несколько session уже
 создают отдельные пулы и дополнительно размножают арены и подготовленные веса.
 Точный рост не следует считать линейным - его нужно измерить.
 ## Что остается неизвестным
 - Реальный процент Conv/MatMul, который ORT сможет перевести в INT8, и выигрыш
  каждого графа на двух ISA-классах.
 - Сохранятся ли обязательные пользовательские метаданные после квантизации; без
  `framework`, `output_dim` и параметров обработки признаков sherpa-onnx модель
  не загрузит.
 - Точность статического INT8 после калибровки и необходимость исключить отдельные
  узлы через quantization debugging.
 - Распределение `T` у пар "окно, локальный говорящий". Без него нельзя оценить
  полезность exact-length buckets для WeSpeaker/CAMPPlus.
 - Выигрыш shared-session concurrency после ограничения общего числа потоков,
  его пиковый RSS и стабильность повторных конкурентных вызовов TitaNet.
 ## Рекомендация и минимальная граница прототипа
 ### 1. INT8 WeSpeaker - первый кандидат
 На отдельном стенде, не меняя загрузчик проекта:
 - выполнить `quant_pre_process`, затем `quantize_static` в S8S8 QDQ;
 - проверить opset, вход/выход, все пользовательские метаданные и загрузку через
  `SpeakerEmbeddingExtractor`;
 - сравнить FP32 и INT8 по реальному времени embedding-стадии, процессорному
  времени, пиковому RSS и
  расстоянию между эмбеддингами;
 - только после технического выигрыша повторить действующие проверки числа
  голосовых кластеров, purity и слов без говорящего.
 При значительной потере точности S8S8 проверить U8U8. Отдельный U8S8 с
 `reduce_range` в первую матрицу не входит.
 ### 2. Shared-session streams - второй кандидат
 Изолированный стенд или минимальная upstream-поправка должен сохранить одну
 модель и одну ORT session, подготовить независимые stream и сравнить:
 ```text
 outer workers / shared intra-op pool: 1 / P, 2 / P, P / 1
 inter-op threads:                     1
 ```
 Здесь `P` - число физических ядер. Первая ячейка показывает текущий внутренний
 параллелизм, вторая проверяет конкурентные `Run` на общем pool, третья переносит
 параллелизм наружу и не создает intra-op pool. Измерять нужно полный набор
 независимых embedding-вызовов. Latency одного удачного stream для решения
 недостаточно. Отдельные session оставить одной отрицательной контрольной ячейкой
 `P workers / 1 thread`.
 ### 3. Batch TitaNet - условный кандидат
 Если отдельное решение разрешит TitaNet для режима с известным числом
 говорящих, прямой ORT-стенд должен сначала доказать на размерах batch `1 / 4`,
 что batch переменной длины с дополнением и `x_lens` дает те же эмбеддинги в
 заданном допуске, что и последовательные вызовы. Затем измерить пропускную
 способность и RSS. До этого менять
 sherpa-onnx API ради TitaNet преждевременно. CAMPPlus и batch без mask в эту
 границу не входят.
 Минимальная доступная CPU-матрица для обоих непосредственных кандидатов:
 | Класс | Конкретный доступный ориентир | Зачем |
 |---|---|---|
 | Консервативный x86 baseline: AVX2, без VNNI/AVX-512 | Intel Core i7-6820HQ, 4C/8T | Проверить нижнюю границу INT8 и конкуренцию на старом CPU. |
 | Современный x86 baseline: VNNI + AVX-512 | AMD Ryzen 7 8845H из предыдущих замеров, с обязательной фиксацией `lscpu`/CPUID | Проверить специализированный INT8 kernel и масштабирование на 8C/16T. |
 Эти две машины доступны для воспроизводимых прогонов; ни одна из них не является
 целевым SKU проекта. Ноутбук с Intel Core i5 11-го поколения - лишь пример
 распространенного пользовательского класса и не обязательная приемочная машина.
 Для первого отбора кандидата двух ориентиров достаточно; на любой дополнительной
 машине нужно записывать точную модель и CPUID. Переносить полученный коэффициент
 ускорения на весь x86 нельзя.