# 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 CPU-матрица для обоих непосредственных кандидатов: | Класс | Конкретный доступный ориентир | Зачем | |---|---|---| | AVX2, без VNNI/AVX-512 | Intel Core i7-6820HQ, 4C/8T | Проверить нижнюю границу INT8 и конкуренцию на старом CPU. | | VNNI + AVX-512 | AMD Ryzen 7 8845H из предыдущих замеров, с обязательной фиксацией `lscpu`/CPUID | Проверить специализированный INT8 kernel и масштабирование на 8C/16T. | Фактический целевой Core i5 11-го поколения добавить как приемочную машину, когда он появится; перед запуском записать точную модель и CPUID. Двух машин достаточно, чтобы решить судьбу кандидата на двух ISA-классах. Переносить полученный коэффициент ускорения на весь x86 нельзя.