FunASR在Mac M系列芯片上的GPU加速实践

背景介绍

随着苹果M系列芯片的普及，越来越多的开发者希望在Mac设备上充分利用其GPU性能来加速深度学习推理任务。FunASR作为阿里巴巴达摩院开源的语音识别工具包，原生支持多种硬件加速方案，但在Mac平台上使用Metal Performance Shaders(MPS)进行加速需要特殊配置。

技术挑战

FunASR默认的自动设备选择逻辑会强制将非CUDA设备回退到CPU模式，这导致即使用户显式指定了MPS设备也无法启用GPU加速。通过分析源代码发现，auto_model.py中存在强制回退到CPU的逻辑，这主要是出于兼容性考虑，但影响了M系列芯片用户的体验。

解决方案

要实现Mac M系列芯片的GPU加速，需要进行以下修改：

1. 修改设备检测逻辑 在build_model函数中，需要注释掉强制回退到CPU的代码段，允许MPS设备被正确识别和使用。修改后的关键代码如下：

device = kwargs.get("device", "cuda")
# 注释掉强制回退CPU的代码
# if not torch.cuda.is_available() or kwargs.get("ngpu", 1) == 0:
#    device = "cpu"
#    kwargs["batch_size"] = 1
kwargs["device"] = device

2. 正确配置运行参数 在启动服务或模型时，需要明确指定设备类型为mps：

parser.add_argument("--device", type=str, default="mps", help="device type")

性能提升

实际测试表明，在Mac M2 Max设备上，启用MPS加速后：

• 流式推理速度从5 it/s提升到12 it/s
• 端到端延迟显著降低
• GPU利用率明显提高

注意事项

1. 模型兼容性 目前SenseVoiceSmall等模型已确认可以在MPS下正常运行，但说话人识别模型(spk_model)可能存在兼容性问题。

2. 环境要求

• PyTorch 2.0+
• macOS 12.3+
• 建议使用Python 3.8+环境

未来优化方向

1. 官方支持改进 建议FunASR官方增加对MPS设备的自动检测和优化支持，而不是简单地回退到CPU模式。

2. 性能调优 可以进一步探索：

• 内存使用优化
• 批处理大小调整
• 混合精度计算

总结

通过在FunASR中启用MPS支持，Mac M系列芯片用户可以获得显著的性能提升。这一实践不仅适用于语音识别任务，也为其他基于PyTorch的深度学习应用在Mac平台上的GPU加速提供了参考方案。随着苹果芯片生态的不断完善，期待更多深度学习框架能原生支持MPS加速。