FunASR项目在ARM64架构上的部署实践
2025-05-23 06:16:49作者:翟江哲Frasier
背景介绍
FunASR是由阿里巴巴达摩院开发的开源语音识别系统,提供了多种部署方式,包括Docker容器化部署和源码编译部署。近期有开发者反馈在ARM64架构设备上使用官方提供的Docker镜像时遇到了兼容性问题。
问题分析
FunASR官方提供的Docker镜像funasr-runtime-sdk-online-cpu-0.1.12默认是基于linux/amd64架构构建的,这导致在ARM64架构的设备上无法直接运行。这一现象在国产操作系统UOS(基于ARM64)上尤为明显。
解决方案探索
经过技术验证,我们发现虽然Docker镜像不支持ARM64架构,但通过源码编译的方式可以在ARM64设备上成功部署FunASR系统。以下是两种可行的解决方案:
方案一:源码编译部署
- 环境准备:确保ARM64设备上已安装必要的编译工具链和依赖库
- 获取源码:从官方仓库下载最新版本的FunASR源代码
- 编译安装:按照官方文档的指引进行编译和安装
- 验证测试:运行示例程序验证功能完整性
方案二:使用兼容层技术
对于必须使用Docker的场景,可以考虑以下技术方案:
- 使用QEMU等模拟器在ARM64上运行amd64容器
- 在ARM64设备上构建自定义Docker镜像
技术验证
实际测试表明,在以下环境中FunASR可以正常运行:
- 原生ARM64 Linux系统(如Debian)
- 通过proot运行的ARM64环境
- 使用交叉编译工具链构建的ARM64版本
性能考量
在ARM64架构上运行FunASR时,需要注意:
- 部分优化指令集可能与x86架构不同
- 内存访问模式可能需要调整以获得最佳性能
- 对于资源受限的ARM设备,可能需要调整模型参数
最佳实践建议
- 对于生产环境,建议使用官方支持的架构或等待官方发布ARM64版本
- 开发测试环境可以考虑源码编译方案
- 关注项目更新,及时获取对ARM64架构的官方支持
- 对于性能敏感场景,建议进行充分的基准测试
总结
虽然当前FunASR的Docker镜像尚未提供对ARM64架构的官方支持,但通过源码编译的方式可以实现在ARM64设备上的部署。随着ARM架构在服务器和边缘计算领域的普及,预计未来官方会提供更完善的多架构支持方案。开发者可以根据实际需求选择合适的部署方式,并关注项目的后续更新。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0195
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0124
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07
项目优选
收起
暂无描述
Dockerfile
766
5 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
860
1.95 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
687
1.35 K
Ascend Extension for PyTorch
Python
721
893
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
458
449
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++
1.08 K
1.11 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.01 K
262
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1.01 K
622
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
2.99 K
638
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
152
250