Gerador de vídeos narrativos (Godot + FFmpeg), painel Next.js, serviço de voz, Clipador de lives e Publicador para YouTube, TikTok e Instagram. Inclui a leitura das visualizações dos posts para o Dashboard e o botão "Publicar no <rede>" nos cartões das publicações. Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
90 lines
3.9 KiB
Python
90 lines
3.9 KiB
Python
"""Mede tempo de CPU por segundo de áudio da transcrição (faster-whisper) dentro do container.
|
|
|
|
Uso: docker compose run --rm voice python scripts/bench_stt.py
|
|
BENCH_MODELS=base,small (precisa dos dois baixados: fetch_models.py --group stt-base --group stt-small)
|
|
BENCH_OUT=/tmp/x.ogg (opcional: grava o clipe de ~10 s para o teste com curl)
|
|
|
|
O áudio de teste é gerado pelo próprio Piper do serviço (texto sintético, nunca de espectador) e
|
|
codificado em OGG/Opus como o backend manda. Mede decodificação + transcrição: o custo real de um job.
|
|
"""
|
|
|
|
from __future__ import annotations
|
|
|
|
import os
|
|
import sys
|
|
import time
|
|
from pathlib import Path
|
|
|
|
import numpy as np
|
|
|
|
sys.path.insert(0, str(Path(__file__).resolve().parent.parent))
|
|
|
|
from app.audio import encode_ogg_opus # noqa: E402
|
|
from app.catalog import load_catalog # noqa: E402
|
|
from app.engine import Pcm, PiperEngine # noqa: E402
|
|
from app.stt import SAMPLE_RATE, FasterWhisperEngine # noqa: E402
|
|
|
|
ROOT = Path(__file__).resolve().parent.parent
|
|
SENTENCES = [
|
|
"Olá! Valeu pela doação, o streamer agradece demais.",
|
|
"Atenção, sobrevivente: uma horda de infectados está chegando pelo norte, prepare a munição e corra para o galpão.",
|
|
"Isso é um teste de voz do DROPSZ, com frases um pouco mais longas e pontuação variada.",
|
|
"Manda um abraço para o pessoal do chat e boa sorte na próxima partida.",
|
|
]
|
|
|
|
|
|
def build_clip(engine: PiperEngine, voice, seconds: float) -> bytes:
|
|
parts: list[np.ndarray] = []
|
|
total = 0.0
|
|
rate = 0
|
|
index = 0
|
|
while total < seconds:
|
|
pcm = engine.synthesize(voice, SENTENCES[index % len(SENTENCES)], 1.0, 30)
|
|
rate = pcm.sample_rate
|
|
parts.append(pcm.samples)
|
|
parts.append(np.zeros(rate // 3, dtype=np.int16)) # pausa entre frases
|
|
total = sum(len(p) for p in parts) / rate
|
|
index += 1
|
|
samples = np.concatenate(parts)[: int(seconds * rate)]
|
|
return encode_ogg_opus(Pcm(samples, rate))
|
|
|
|
|
|
def main() -> None:
|
|
models_dir = Path(os.environ.get("VOICE_MODELS_DIR", "/models"))
|
|
voices = load_catalog(ROOT / "voices" / "catalog.json", ROOT / "models.lock.json", models_dir)
|
|
voice = next(v for v in voices.values() if v.default)
|
|
piper = PiperEngine(int(os.environ.get("VOICE_ONNX_THREADS", "2")))
|
|
clips = {f"{s}s": build_clip(piper, voice, s) for s in (5, 10, 30, 58)}
|
|
out = os.environ.get("BENCH_OUT")
|
|
if out:
|
|
Path(out).write_bytes(clips["10s"])
|
|
print(f"clipe de 10 s gravado em {out} ({len(clips['10s'])} bytes)")
|
|
|
|
threads = int(os.environ.get("VOICE_STT_THREADS", "2"))
|
|
beam = int(os.environ.get("VOICE_STT_BEAM_SIZE", "1"))
|
|
names = os.environ.get("BENCH_MODELS", os.environ.get("VOICE_STT_MODEL", "base")).split(",")
|
|
for name in names:
|
|
c0 = time.process_time()
|
|
w0 = time.perf_counter()
|
|
engine = FasterWhisperEngine(models_dir / "whisper" / name, name, "int8", threads, beam, True, 4000)
|
|
engine.transcribe(engine.decode(clips["5s"], 61), "pt") # aquecimento
|
|
print(f"[{name}] carga+aquecimento cpu={time.process_time() - c0:.2f}s wall={time.perf_counter() - w0:.2f}s")
|
|
cpu_total = audio_total = 0.0
|
|
for label, data in clips.items():
|
|
c0, w0 = time.process_time(), time.perf_counter()
|
|
samples = engine.decode(data, 61)
|
|
result = engine.transcribe(samples, "pt")
|
|
cpu, wall = time.process_time() - c0, time.perf_counter() - w0
|
|
audio = samples.size / SAMPLE_RATE
|
|
cpu_total += cpu
|
|
audio_total += audio
|
|
print(
|
|
f"[{name}] {label}: audio={audio:.1f}s cpu={cpu:.2f}s wall={wall:.2f}s cpu_por_s={cpu / audio:.3f} "
|
|
f"rtf_wall={wall / audio:.3f} no_speech={result.no_speech_prob:.3f} texto='{result.text[:70]}'"
|
|
)
|
|
print(f"[{name}] TOTAL threads={threads} beam={beam} cpu_por_s_audio={cpu_total / audio_total:.3f}")
|
|
|
|
|
|
if __name__ == "__main__":
|
|
main()
|