Kaldi项目安装Intel MKL库常见问题解析
问题背景
在使用Kaldi语音识别工具包时,很多用户会遇到安装Intel数学核心库(MKL)失败的问题。这个问题通常出现在执行Kaldi项目中的install_mkl.sh安装脚本时,系统会提示GPG密钥验证失败,导致无法从Intel的软件仓库安全地下载和安装MKL库。
错误现象
当用户运行安装脚本时,控制台会显示类似以下错误信息:
GPG error: https://apt.repos.intel.com/mkl all InRelease
The following signatures couldn't be verified because the public key is not available: NO_PUBKEY BAC6F0C353D04109
E: The repository 'https://apt.repos.intel.com/mkl all InRelease' is not signed.
这表明系统无法验证Intel软件仓库的签名,因为缺少相应的GPG公钥。这是一个常见的安全机制,防止用户从未经验证的来源安装软件。
问题原因
这个问题主要有两个深层次原因:
-
密钥过期问题:Intel定期会更新其软件仓库的签名密钥,但有时密钥更新不及时,导致旧密钥过期而新密钥尚未部署。
-
系统配置问题:在首次使用Intel软件仓库时,系统没有预先导入Intel的GPG公钥,导致无法验证软件包的完整性。
解决方案
针对这个问题,可以通过以下步骤手动解决:
-
下载Intel的GPG公钥:
wget https://apt.repos.intel.com/intel-gpg-keys/GPG-PUB-KEY-INTEL-SW-PRODUCTS.PUB -
将公钥添加到系统的可信密钥环中:
apt-key add GPG-PUB-KEY-INTEL-SW-PRODUCTS.PUB -
配置Intel MKL的软件源:
sh -c 'echo deb https://apt.repos.intel.com/mkl all main > /etc/apt/sources.list.d/intel-mkl.list' -
更新软件包列表:
apt update -
重新运行Kaldi的MKL安装脚本:
extras/install_mkl.sh
技术细节
这个问题的本质是Linux系统的软件包安全验证机制。在Debian/Ubuntu系统中,apt工具会检查软件仓库的签名,确保软件包来源可信且未被篡改。当缺少对应的GPG公钥时,系统会拒绝从该仓库安装软件,这是一种重要的安全保护措施。
Intel的数学核心库(MKL)是一套高度优化的数学函数库,特别针对Intel处理器进行了优化。Kaldi语音识别工具使用MKL来加速其矩阵运算等数学操作,因此正确安装MKL对Kaldi的性能至关重要。
预防措施
为了避免将来出现类似问题,建议:
-
定期检查Intel软件仓库的状态,特别是在执行系统大版本升级后。
-
对于生产环境,可以考虑将Intel的GPG公钥纳入系统的基础镜像中。
-
关注Intel官方发布的密钥更新公告,及时更新系统配置。
总结
Kaldi项目中安装Intel MKL库时遇到的GPG密钥验证问题是一个常见但容易解决的问题。通过手动添加Intel的GPG公钥并正确配置软件源,用户可以顺利完成MKL的安装。理解Linux系统的软件包验证机制有助于更好地处理类似问题,确保系统安全和软件正常运行。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00