Lyra多平台构建指南:Linux、Android、Mac、Windows全攻略
2026-01-29 12:08:42作者:胡唯隽
Lyra是一款极低比特率的语音压缩编解码器,专为高效语音传输设计。本指南将详细介绍如何在Linux、Android、Mac和Windows四大主流平台上构建Lyra项目,帮助开发者快速部署这一强大的语音压缩技术。
📋 准备工作
在开始构建前,请确保您的系统已安装以下工具:
- Bazel构建系统
- Git版本控制工具
- 对应平台的SDK(如Android NDK)
首先克隆项目仓库:
git clone https://gitcode.com/gh_mirrors/lyra3/lyra
cd lyra
🐧 Linux平台构建
Linux是Lyra开发的主要平台,构建步骤如下:
- 安装依赖:
sudo apt-get install build-essential python3
- 执行构建:
bazel build -c opt lyra/cli_example:encoder_main
bazel build -c opt lyra/cli_example:decoder_main
- 验证构建结果:
构建完成后,可在
bazel-bin/lyra/cli_example/目录下找到encoder_main和decoder_main可执行文件。
🤖 Android平台构建
Lyra提供了完整的Android示例项目,构建步骤如下:
-
配置Android环境: 确保已安装Android SDK和NDK,并设置
ANDROID_HOME环境变量。 -
执行构建:
bazel build -c opt lyra/android_example:lyra_android_example --config=android_arm64 --copt=-DBENCHMARK
- 构建命令行工具(可选):
bazel build -c opt lyra/cli_example:encoder_main --config=android_arm64
bazel build -c opt lyra/cli_example:decoder_main --config=android_arm64
Android示例项目位于lyra/android_example/目录,包含完整的Activity和资源文件。
🍎 Mac平台构建
Mac平台构建与Linux类似,但需要注意以下几点:
- 安装Xcode命令行工具:
xcode-select --install
- 使用Bazel构建:
bazel build -c opt lyra/cli_example:encoder_main
bazel build -c opt lyra/cli_example:decoder_main
🖥️ Windows平台构建
Windows平台需要使用Bazel的Windows版本和MSVC编译器:
- 安装依赖:
- 安装Visual Studio 2019或更高版本
- 安装Bazel for Windows
- 执行构建:
bazel build -c opt lyra/cli_example:encoder_main
bazel build -c opt lyra/cli_example:decoder_main
🧪 测试构建结果
构建完成后,建议使用项目提供的测试数据进行验证:
# 使用编码器编码测试音频
./bazel-bin/lyra/cli_example/encoder_main \
--model_path=lyra/model_coeffs \
--input_path=lyra/testdata/sample1_16kHz.wav \
--output_path=encoded.lyra
# 使用解码器解码
./bazel-bin/lyra/cli_example/decoder_main \
--model_path=lyra/model_coeffs \
--input_path=encoded.lyra \
--output_path=decoded.wav
测试数据位于lyra/testdata/目录,包含多种采样率的音频文件和编码示例。
📚 项目结构解析
Lyra项目主要包含以下关键目录:
- lyra/cli_example/:命令行工具示例
- lyra/android_example/:Android应用示例
- lyra/model_coeffs/:模型系数文件
- lyra/testing/:测试相关代码
构建配置文件:
- WORKSPACE:项目依赖配置
- BUILD:根目录构建规则
- toolchain/cc_toolchain_config.bzl:工具链配置
通过本指南,您可以在各种平台上轻松构建Lyra项目,体验其高效的语音压缩能力。如需深入了解Lyra的工作原理,请参考项目源代码和技术文档。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
Ascend Extension for PyTorch
Python
379
453
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
893
676
暂无简介
Dart
802
199
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
350
203
昇腾LLM分布式训练框架
Python
118
147
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
781