Initial commit

2025-12-23 23:53:33 +09:00 · 2025-12-23 23:53:33 +09:00 · e5a6694aa4
commit e5a6694aa4
10 changed files with 426 additions and 0 deletions
--- a/.gitignore
+++ b/.gitignore
@ -0,0 +1,4 @@
+.venv/
+model_cache/
+docker/__pycache__/
+
--- a/README.md
+++ b/README.md
@ -0,0 +1,99 @@
+# whisper-test (faster-whisper on DGX Spark/ThinkStation PGX)
+
+NVIDIA DGX Spark 相当環境（Lenovo ThinkStation PGX）で、`faster-whisper` を CUDA で確実に動かすための最小構成をまとめたリポジトリです。ホスト側 CUDA 13 が既に入っており変更しづらい研究用マシンでも、Docker 上で CUDA 12.4 + cuDNN 9 でビルドした CTranslate2 を用いて GPU 推論を再現できます。
+
+公式 faster-whisper リポジトリ: https://github.com/SYSTRAN/faster-whisper
+
+## なぜこの構成が必要か
+- `faster-whisper` は CTranslate2 を利用し、ビルド時の CUDA/cuDNN と実行環境が一致していないと GPU 版が動作しない。
+- ThinkStation PGX ではホストに CUDA 13 が入っており、`pip install ctranslate2` すると CPU 版や CUDA 非対応ビルドが入ることがある。
+- 公式手順だけでは CUDA 版が入らず、`ValueError: This CTranslate2 package was not compiled with CUDA support` となるケースがあった。
+- そこで CUDA 12.4 + cuDNN 9 を明示した Docker で CTranslate2 をソースビルドし、Python バインディングを明示的に再インストールすることで再現性を確保。
+
+## 提供物
+- `docker-compose.yml` と `docker/Dockerfile` による GPU 対応コンテナ構成
+  - ベース: `nvidia/cuda:12.4.1-cudnn-devel-ubuntu22.04`
+  - CTranslate2 v4.6.2 を CUDA 有効でソースビルド
+  - `pip` で入る CPU 版 `ctranslate2` を一度アンインストールし、ビルド済み Python バインディングを再インストール
+- FastAPI + Uvicorn の簡易サーバ (`docker/server.py`)
+  - `POST /transcribe` で音声を受け取り、Whisper 推論結果を返却
+  - `GET /health` でモデル名・デバイス・compute_type を返却
+- サンプル音声とテストスクリプト（`test/`）
+
+## 仕組みのポイント
+- CUDA 12.x + cuDNN 9 で CTranslate2 をビルドし、実行時も同一バージョンを保証
+- `entrypoint.sh` で `LD_LIBRARY_PATH` を明示設定し、`nvidia.cublas.lib` / `nvidia.cudnn.lib` のパスを動的に追加
+- ホスト CUDA 13 と切り離すため Docker を必須とし、NVIDIA Container Toolkit を前提に GPU を渡す
+
+## 前提条件
+- NVIDIA Container Toolkit 導入済み
+- GPU ドライバがホストに正しく入っていること
+- ホスト側 CUDA は 13 系のままで可（変更不要）
+
+### ローカルCPU実行（任意）
+Docker を使わず手元の Python (.venv) で CPU 推論だけ試す場合の簡易手順:
+```bash
+python3 -m venv .venv
+source .venv/bin/activate
+pip install --upgrade pip
+pip install -r docker/requirements.txt
+
+# CPU でサンプル音声を実行
+FW_DEVICE=cpu FW_COMPUTE_TYPE=int8 python3 test/transcribe_cpu.py
+```
+※ CPU のみの確認用。GPU を使う場合は Docker 構成を推奨。
+
+## セットアップ
+```bash
+# ビルド
+docker compose build
+
+# 起動（GPU 必須）
+docker compose up -d
+
+# ヘルスチェック
+curl http://localhost:8002/health
+```
+
+## 推論APIの使い方
+```bash
+curl -X POST http://localhost:8002/transcribe \
+  -F "file=@test/003.wav" \
+  -F "language=ja" \
+  -F "beam_size=5" \
+  -F "vad_filter=true"
+```
+レスポンスには `text` と `segments`（start/end/text）、`language`, `language_probability` が含まれます。
+
+環境変数でモデルや実行設定を変更できます:
+- `FW_MODEL` (デフォルト `large-v3`)
+- `FW_DEVICE` (デフォルト `cuda`)
+- `FW_COMPUTE_TYPE` (デフォルト `float16`)
+
+### Docker コンテナ内で `test/` のスクリプトを実行する例
+ホストに Python を入れずに検証したい場合、起動済みコンテナ内でテストスクリプトを実行できます。
+```bash
+# 1) コンテナに入る（compose が起動している前提）
+docker compose exec whisper bash
+
+# 2) GPU 版サンプル（デフォルトの large-v3 / float16）
+python3 test/transcribe.py
+
+# 3) CPU で試したい場合（compute_type を切り替え）
+FW_DEVICE=cpu FW_COMPUTE_TYPE=int8 python3 test/transcribe_cpu.py
+```
+いずれも `test/003.wav` を入力にし、標準出力へテキストと各セグメントを表示します。自分の音声で試す場合は `python3 test/transcribe.py /path/to/your.wav` のようにパスを指定してください。
+
+## ディレクトリ構成（抜粋）
+- `docker-compose.yml` — サービス定義（GPU リクエスト含む）
+- `docker/Dockerfile` — CUDA 12.4 + cuDNN 9 ベースで CTranslate2 をソースビルド
+- `docker/entrypoint.sh` — CUDA ライブラリパスを動的設定し uvicorn 起動
+- `docker/server.py` — FastAPI サーバ（/health, /transcribe）
+- `docker/requirements.txt` — 最小依存: `faster-whisper`, `fastapi`, `uvicorn[standard]`, `python-multipart`
+- `test/` — サンプル音声とローカル実行スクリプト
+
+## 再現のための注意点
+- `pip install faster-whisper` だけでは CUDA 版 `ctranslate2` は保証されない
+- CUDA バージョン不一致だとインストール成功しても実行時に GPU を掴まない
+- 本 Dockerfile は一度 CPU 版をアンインストールし、ビルド済み CUDA 版を再インストールして整合性を取る
+
--- a/docker-compose.yml
+++ b/docker-compose.yml
@ -0,0 +1,17 @@
+services:
+  whisper:
+    build:
+      context: .
+      dockerfile: docker/Dockerfile
+    image: whisper-test-whisper
+    command: uvicorn docker.server:app --host 0.0.0.0 --port 8000
+    entrypoint: ["/app/docker/entrypoint.sh"]
+    ports:
+      - "8002:8000"
+    volumes:
+      - ./:/app
+    deploy:
+      resources:
+        reservations:
+          devices:
+            - capabilities: [gpu]
--- a/docker/Dockerfile
+++ b/docker/Dockerfile
@ -0,0 +1,48 @@
+FROM nvidia/cuda:12.4.1-cudnn-devel-ubuntu22.04
+
+
+ENV DEBIAN_FRONTEND=noninteractive
+WORKDIR /app
+
+# build deps
+RUN apt-get update && apt-get install -y --no-install-recommends \
+    python3 python3-pip python3-dev \
+    git cmake ninja-build build-essential pkg-config \
+ && rm -rf /var/lib/apt/lists/*
+
+# python basics
+RUN python3 -m pip install -U pip setuptools wheel
+
+# Build CTranslate2 from source with CUDA ON (and submodules!)
+ARG CT2_VERSION=v4.6.2
+RUN git clone --depth 1 --branch v4.6.2 --recurse-submodules \
+    https://github.com/OpenNMT/CTranslate2.git /tmp/ctranslate2 && \
+    cd /tmp/ctranslate2 && \
+    mkdir build && cd build && \
+    cmake .. \
+      -DCMAKE_BUILD_TYPE=Release \
+      -DWITH_CUDA=ON \
+      -DWITH_CUDNN=ON \
+      -DWITH_MKL=OFF \
+      -DOPENMP_RUNTIME=COMP \
+      -DCMAKE_CUDA_ARCHITECTURES=native \
+      -GNinja && \
+    ninja -j$(nproc) && \
+    ninja install && \
+    ldconfig
+
+
+
+# app deps
+COPY docker/requirements.txt /app/requirements.txt
+RUN python3 -m pip install -r /app/requirements.txt
+RUN python3 -m pip uninstall -y ctranslate2 && \
+    cd /tmp/ctranslate2/python && \
+    python3 -m pip install .
+
+COPY docker/server.py /app/server.py
+COPY docker/entrypoint.sh /app/entrypoint.sh
+RUN chmod +x /app/entrypoint.sh
+
+EXPOSE 8000
+ENTRYPOINT ["/app/entrypoint.sh"]
--- a/docker/entrypoint.sh
+++ b/docker/entrypoint.sh
@ -0,0 +1,48 @@
+#!/usr/bin/env bash
+set -euo pipefail
+
+echo "[entrypoint] Python:" "$(python3 --version || true)"
+echo "[entrypoint] pip packages (nvidia-*):"
+python3 - <<'PY' || true
+import pkgutil
+names = sorted({m.name for m in pkgutil.iter_modules() if m.name.startswith("nvidia")})
+print("\n".join(names) if names else "(none)")
+PY
+
+NVPATHS="$(python3 - <<'PY'
+import os, sys
+
+def try_mod(modname):
+    try:
+        m = __import__(modname, fromlist=["*"])
+        f = getattr(m, "__file__", None)
+        print(f"[entrypoint] {modname}.__file__ = {f}")
+        if not f:
+            return None
+        return os.path.dirname(f)
+    except Exception as e:
+        print(f"[entrypoint] import failed: {modname}: {e}", file=sys.stderr)
+        return None
+
+paths = []
+for mod in ("nvidia.cublas.lib", "nvidia.cudnn.lib"):
+    d = try_mod(mod)
+    if d:
+        paths.append(d)
+
+print(":".join(paths))
+PY
+)"
+
+BASE="/usr/local/cuda/lib64:/usr/local/lib"
+if [[ -n "${NVPATHS}" ]]; then
+  export LD_LIBRARY_PATH="${BASE}:${NVPATHS}:${LD_LIBRARY_PATH:-}"
+  echo "[entrypoint] LD_LIBRARY_PATH set with NVPATHS"
+else
+  export LD_LIBRARY_PATH="${BASE}:${LD_LIBRARY_PATH:-}"
+  echo "[entrypoint] NVPATHS empty; using CUDA base paths only"
+fi
+
+echo "[entrypoint] LD_LIBRARY_PATH=${LD_LIBRARY_PATH}"
+
+exec "$@"
--- a/docker/requirements.txt
+++ b/docker/requirements.txt
@ -0,0 +1,5 @@
+faster-whisper
+fastapi
+uvicorn[standard]
+python-multipart
+
--- a/docker/server.py
+++ b/docker/server.py
@ -0,0 +1,61 @@
+import os
+import tempfile
+from typing import Optional
+
+from fastapi import FastAPI, UploadFile, File, Form
+from fastapi.responses import JSONResponse
+from faster_whisper import WhisperModel
+
+MODEL_NAME = os.getenv("FW_MODEL", "large-v3")
+DEVICE = os.getenv("FW_DEVICE", "cuda")
+COMPUTE_TYPE = os.getenv("FW_COMPUTE_TYPE", "float16")
+
+app = FastAPI()
+
+# 起動時にモデルをロードして常駐（ここが重要：毎回ロードしない）
+model = WhisperModel(MODEL_NAME, device=DEVICE, compute_type=COMPUTE_TYPE)
+
+@app.get("/health")
+def health():
+    return {"status": "ok", "model": MODEL_NAME, "device": DEVICE, "compute_type": COMPUTE_TYPE}
+
+@app.post("/transcribe")
+async def transcribe(
+    file: UploadFile = File(...),
+    language: Optional[str] = Form(default=None),   # "ja"など
+    beam_size: int = Form(default=5),
+    vad_filter: bool = Form(default=True),
+):
+    # アップロードを一時ファイルに保存（PyAVがファイルパスを扱いやすい）
+    suffix = os.path.splitext(file.filename or "audio.wav")[1] or ".wav"
+    with tempfile.NamedTemporaryFile(delete=False, suffix=suffix) as tmp:
+        tmp_path = tmp.name
+        tmp.write(await file.read())
+
+    try:
+        segments, info = model.transcribe(
+            tmp_path,
+            language=language,
+            beam_size=beam_size,
+            vad_filter=vad_filter,
+        )
+
+        out_segments = []
+        text_all = []
+        for s in segments:
+            out_segments.append({"start": s.start, "end": s.end, "text": s.text})
+            text_all.append(s.text)
+
+        return JSONResponse(
+            {
+                "language": info.language,
+                "language_probability": info.language_probability,
+                "text": "".join(text_all).strip(),
+                "segments": out_segments,
+            }
+        )
+    finally:
+        try:
+            os.remove(tmp_path)
+        except OSError:
+            pass
--- a/test/003.wav
+++ b/test/003.wav
--- a/test/transcribe.py
+++ b/test/transcribe.py
@ -0,0 +1,72 @@
+#!/usr/bin/env python3
+# test/transcribe_test.py
+
+from __future__ import annotations
+
+import os
+import sys
+import time
+from pathlib import Path
+
+from faster_whisper import WhisperModel
+
+
+# === ここを自分のwavに合わせて書き換え ===
+WAV_PATH = Path(__file__).resolve().parent / "003.wav"
+MODEL_NAME = "large-v3"
+LANGUAGE = "ja"
+BEAM_SIZE = 5
+COMPUTE_TYPE = "float16"   # GPU想定
+# =======================================
+
+
+def pick_device():
+    return "cuda", COMPUTE_TYPE
+
+
+def main() -> int:
+    wav_path = WAV_PATH
+    if len(sys.argv) >= 2:
+        wav_path = Path(sys.argv[1]).expanduser().resolve()
+
+    if not wav_path.exists():
+        print(f"[ERROR] wav not found: {wav_path}", file=sys.stderr)
+        return 2
+
+    device, compute_type = pick_device()
+    print(f"[INFO] model={MODEL_NAME} device={device} compute_type={compute_type}")
+    print(f"[INFO] input={wav_path}")
+
+    model = WhisperModel(
+        MODEL_NAME,
+        device=device,
+        compute_type=compute_type,
+    )
+
+    # ==== 計測開始 ====
+    t0 = time.perf_counter()
+
+    segments, info = model.transcribe(
+        str(wav_path),
+        language=LANGUAGE,
+        beam_size=BEAM_SIZE,
+        # vad_filter=True,
+    )
+
+    segments = list(segments)  # ここで実際に推論が走る
+
+    # ==== 計測終了 ====
+    t1 = time.perf_counter()
+    elapsed = t1 - t0
+
+    print(f"\n[INFO] detected_language={info.language} (p={info.language_probability:.3f})")
+    print(f"[INFO] transcription_time={elapsed:.3f} sec")
+    print("[RESULT] --- transcript ---")
+    for seg in segments:
+        print(f"[{seg.start:7.2f}-{seg.end:7.2f}] {seg.text}")
+
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())
--- a/test/transcribe_cpu.py
+++ b/test/transcribe_cpu.py
@ -0,0 +1,72 @@
+#!/usr/bin/env python3
+# test/transcribe_test.py
+
+from __future__ import annotations
+
+import os
+import sys
+import time
+from pathlib import Path
+
+from faster_whisper import WhisperModel
+
+
+# === ここを自分のwavに合わせて書き換え ===
+WAV_PATH = Path(__file__).resolve().parent / "003.wav"
+MODEL_NAME = "large-v3"
+LANGUAGE = "ja"
+BEAM_SIZE = 5
+COMPUTE_TYPE = "float32"   # GPU想定
+# =======================================
+
+
+def pick_device():
+    return "cpu", COMPUTE_TYPE
+
+
+def main() -> int:
+    wav_path = WAV_PATH
+    if len(sys.argv) >= 2:
+        wav_path = Path(sys.argv[1]).expanduser().resolve()
+
+    if not wav_path.exists():
+        print(f"[ERROR] wav not found: {wav_path}", file=sys.stderr)
+        return 2
+
+    device, compute_type = pick_device()
+    print(f"[INFO] model={MODEL_NAME} device={device} compute_type={compute_type}")
+    print(f"[INFO] input={wav_path}")
+
+    model = WhisperModel(
+        MODEL_NAME,
+        device=device,
+        compute_type=compute_type,
+    )
+
+    # ==== 計測開始 ====
+    t0 = time.perf_counter()
+
+    segments, info = model.transcribe(
+        str(wav_path),
+        language=LANGUAGE,
+        beam_size=BEAM_SIZE,
+        # vad_filter=True,
+    )
+
+    segments = list(segments)  # ここで実際に推論が走る
+
+    # ==== 計測終了 ====
+    t1 = time.perf_counter()
+    elapsed = t1 - t0
+
+    print(f"\n[INFO] detected_language={info.language} (p={info.language_probability:.3f})")
+    print(f"[INFO] transcription_time={elapsed:.3f} sec")
+    print("[RESULT] --- transcript ---")
+    for seg in segments:
+        print(f"[{seg.start:7.2f}-{seg.end:7.2f}] {seg.text}")
+
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())