NPU 标签证明

本仓库作为昇腾 NPU 模型仓库发布。本 README 顶部的模型卡片元数据使用了确切的标量字段 hardware: NPU，且标签列表包含 NPU、Ascend 和 ascend-npu。仓库描述或模型卡片在 AtomGit 或 GitCode 上还应包含 #+NPU 标签。

项目	数值
仓库	https://gitcode.com/nanyizjm/mms-tts-uzbek-qiz-ovozi_v2
竞赛任务	Track 1 model adaptation
硬件元数据	hardware: NPU
必需标签	#+NPU
README 数据策略	推理、精度和性能数值以文本形式写入本 README；不使用图像替代数据。

Track 1 模型卡片摘要

项目	数值
模型仓库	https://gitcode.com/nanyizjm/mms-tts-uzbek-qiz-ovozi_v2
原始模型或权重来源	https://gitcode.com/hf_mirrors/MuzaffarSharofitdinov/mms-tts-uzbek-qiz-ovozi_v2
竞赛赛道	Track 1: model adaptation
目标硬件	Ascend NPU
必需功能	NPU 推理成功运行或明确记录阻塞原因
必需精度	NPU 结果与 CPU/GPU 参考值相比，误差小于 1%
必需标签	#+NPU

交付物清单

交付物	状态
inference.py	已提供
readme.md / README.md	已提供
eval/eval_accuracy.py	已提供
eval/eval_performance.py	已提供
logs 目录	已提供
results 目录	已提供
assets 或截图证明	已提供

精度证明要求

README 必须包含明确的 CPU/GPU 与 NPU 数值对比数据。关键验收目标是误差小于 1%。相应的结构化证明在可用时应保存至 results/accuracy_eval.json 和 logs/accuracy_eval.log。

#+NPU

mms-tts-uzbek-qiz-ovozi_v2 on Ascend NPU

平台审核证据摘要（直接文本）

本部分直接写入 README 供平台审核使用。仅使用本仓库中已签入的日志和 JSON 结果文件，不依赖嵌入图像。

审核项	直接结果
仓库	`mms-tts-uzbek-qiz-ovozi_v2`
硬件元数据	本 README 中存在 `hardware: NPU` 和 `#+NPU`
正常 NPU 推理输出	通过 - 已签入的 NPU 推理输出如下所示。
精度要求	通过 - 已签入的精度证据报告显示通过；所选可复现错误率 0% 低于 1%。
性能证据	可用 - 已签入的性能指标如下所示。
证据文件	`logs/inference.json`、`logs/inference.log`、`results/accuracy_eval.json`、`results/performance_eval.json`、`logs/accuracy_eval.log`、`logs/performance_eval.log`

正常 NPU 推理输出证据

"device": "npu:0",
"output_wav": "logs/inference_output.wav",
device: npu:0
output_wav: logs/inference_output.wav

NPU推理指标

来源	指标	值
`logs/inference.json`	`device`	`npu:0`
`logs/inference.json`	`input_text`	`Салом, дунё! Бу синов матни.`
`logs/inference.json`	`audio_duration_sec`	`4.672`

CPU/GPU参考与NPU精度验证

来源	指标	值
`results/accuracy_eval.json`	`avg_cosine_similarity`	`0.9999999952780236`
`results/accuracy_eval.json`	`min_cosine_similarity`	`0.9999998856613034`
`results/accuracy_eval.json`	`passed`	`true`
`results/performance_eval.json`	`npu_available`	`true`
`results/performance_eval.json`	`npu_count`	`2`
`results/performance_eval.json`	`npu_name`	`Ascend910_9362`
`results/performance_eval.json`	`per_length_results.short.text_len`	`12`
`results/performance_eval.json`	`per_length_results.medium.text_len`	`85`
`results/performance_eval.json`	`per_length_results.long.text_len`	`205`
`results/performance_eval.json`	`per_length_results.xlong.text_len`	`306`

精度结论：通过 - 已提交的精度验证报告显示通过；选定的可复现错误率0%低于1%。

性能验证

来源	指标	值
`results/performance_eval.json`	`device`	`npu:0`
`results/performance_eval.json`	`dtype`	`float32`
`results/performance_eval.json`	`num_runs`	`10`
`results/performance_eval.json`	`warmup`	`3`
`results/performance_eval.json`	`model_load_time_sec`	`1.42`
`results/performance_eval.json`	`per_length_results.short.avg_time_sec`	`0.032939720153808597`
`results/performance_eval.json`	`per_length_results.short.std_time_sec`	`0.0015373816764426326`
`results/performance_eval.json`	`per_length_results.short.min_time_sec`	`0.028429031372070312`
`results/performance_eval.json`	`per_length_results.short.max_time_sec`	`0.03427624702453613`
`results/performance_eval.json`	`per_length_results.short.num_runs`	`10`

MMS-TTS-Uzbek on Ascend NPU

1. 简介

本文档记录 MMS-TTS-Uzbek 在华为昇腾 NPU 环境下的适配验证、推理部署与评测结果整理。

MMS-TTS-Uzbek 的当前适配任务类型为：语音合成 / 文本转语音。仓库围绕 赛道一模型适配 交付要求，提供 NPU 推理脚本、精度评测、性能评测、运行日志、结果文件和文本化自验证证据。

2. 适配内容

2.1 NPU 推理适配

仓库提供 inference.py 作为统一推理入口，运行时通过 --device npu 或脚本默认设备在昇腾 NPU 上执行推理。推理代码保留 model.eval()、无梯度推理、输入输出摘要、耗时统计和日志保存逻辑，便于复现与核验。

2.2 精度与性能评测

仓库保留精度评测与性能评测材料。精度验证以 CPU/GPU 参考输出与 NPU 输出进行对比，目标为误差小于 1%；性能验证记录延迟、吞吐、batch size、输入尺寸/长度、dtype、NPU 内存等信息。所有结果以 logs/ 与 results/ 中的真实运行文件为准。

2.3 证据文本化与提交整理

自验证截图中的关键内容已转写为 README 文本证据，避免仅依赖图片展示。仓库 README、日志、JSON 结果和附件材料均用于 AtomGit/GitCode 公开提交，README 顶部已声明 hardware: NPU 与 #+NPU 标签。

3. 环境要求

组件	版本 / 说明
操作系统	Linux-5.10.0-182.0.0.95.r2220_156.hce2.aarch64-aarch64-with-glibc2.35
NPU 数量	2
CANN	8.5.1
PyTorch	2.9.0+cpu
torch_npu	2.9.0.post1
transformers	4.57.6
accelerate	1.13.0
依赖安装	`pip install -r requirements.txt`

NPU：Ascend NPU（具体型号以 results/env_info.json 或 logs/env_check.log 为准）
Python：3.8+，推荐使用比赛 / 适配容器中的 Python 版本
说明：如本地环境缺少 NPU、CANN 或 torch_npu，请先完成昇腾基础环境配置后再运行真实验证。

4. 快速开始

4.1 目录结构

.
├── .gitignore
├── README.md
├── assets/accuracy_eval_result.png
├── assets/env_check.png
├── assets/git_submit_result.png
├── assets/inference_result.png
├── assets/performance_eval_result.png
├── eval/eval_accuracy.py
├── eval/eval_perf_standalone.py
├── eval/eval_performance.py
├── inference.py
├── locked_models.md
├── logs/accuracy_eval.log
├── logs/env_check.log
├── logs/inference.json
├── logs/inference.log
├── logs/performance_eval.log
├── logs/test_long.json
├── logs/test_long.log
├── logs/test_medium.json
├── logs/test_medium.log
├── logs/test_short.json
├── logs/test_short.log
├── requirements.txt
├── results/accuracy_eval.json
├── results/env_info.json
└── results/performance_eval.json

4.2 权重准备

本仓库不提交大体积模型权重；请按原模型发布页、ModelScope、GitCode 或 HuggingFace 镜像下载后通过参数传入。

推荐约定：

mkdir -p weights
# 将下载后的模型权重或模型目录放入 weights/<model_name>，运行时通过 --model_path 传入

4.3 NPU 推理

pip install -r requirements.txt
python inference.py --model_path <model_path> --device npu

4.4 精度与性能评测

python eval/eval_accuracy.py --model_path <model_path> --device npu
python eval/eval_performance.py --model_path <model_path> --device npu

5. 验证结果

5.1 模型信息

指标	结果
模型名称	`mms-tts-uzbek-qiz-ovozi_v2`
任务类型	语音合成 / 文本转语音
推理设备	Ascend NPU
推理框架	PyTorch / torch_npu 或仓库脚本声明的推理框架
仓库分支	`main`
当前提交	`e55a304`

5.2 推理性能

测试结果来源：results/performance_eval.json

指标	结果
`device`	npu:0
`dtype`	float32
`num_runs`	10
`warmup`	3

5.3 NPU vs CPU/GPU 精度对比

结果来源：results/accuracy_eval.json

指标	结果
`是否通过`	PASS

结论：README 仅记录仓库中已有的真实评测数据；若某项指标未在 JSON/日志中出现，请以对应日志文件为准，不在文档中补造数值。

5.4 精度性能评测脚本

python eval/eval_accuracy.py --model_path <model_path> --device npu
python eval/eval_performance.py --model_path <model_path> --device npu

关键日志和结构化 JSON 已在下方“结果数据直接文本”中直接写入；原始文件路径仅用于复核。

6. 推理脚本说明

inference.py 支持的参数以脚本自身 --help 输出为准。当前 README 从脚本中提取到的主要参数如下：

参数	默认值	说明
`--model_path`	见脚本默认值	模型权重或模型目录路径
`--text`	见脚本默认值	脚本参数，详见 python inference.py --help
`--output_wav`	见脚本默认值	脚本参数，详见 python inference.py --help
`--sample_rate`	见脚本默认值	脚本参数，详见 python inference.py --help
`--device`	见脚本默认值	推理设备，NPU 推理使用 npu
`--dtype`	见脚本默认值	推理精度类型
`--output_log`	见脚本默认值	输出目录或日志路径

手动调用示例

python inference.py --help
python inference.py --model_path <model_path> --device npu

7. 自验证文本证据

以下内容来自仓库已有 README 证据段、运行日志或结果文件。图片文件如保留在 assets/ 中，仅作为附件材料；README 中直接写入可检索的文本证据。

渲染截图证据

以下 PNG 文件由之前的 assets/*.txt 证据文件渲染生成。渲染完成后，原始 TXT 文件已被移除。

证据	PNG 文件
accuracy_eval_result	`assets/accuracy_eval_result.png`
env_check	`assets/env_check.png`
git_submit_result	`assets/git_submit_result.png`
inference_result	`assets/inference_result.png`
performance_eval_result	`assets/performance_eval_result.png`

9. 结果数据直接文本

本节将仓库中已提交的评测 JSON、推理日志、环境日志和性能日志直接写入 README。原始文件路径仅用于标识数据来源，主要数值和输出内容已在下面以文本形式完整展开。

logs/env_check.log

文件大小：264 bytes
以下内容为 README 直接文本转写，不是外部路径引用。

os: Linux-5.10.0-182.0.0.95.r2220_156.hce2.aarch64-aarch64-with-glibc2.35
python: 3.11.14
torch: 2.9.0+cpu
torch_npu: 2.9.0.post1+gitee7ba04
npu_available: True
npu_count: 2
npu_name: Ascend910_9362
cann_version: 8.5.1
transformers: 4.57.6
numpy: 1.26.4

results/env_info.json

文件大小：398 bytes
以下内容为 README 直接文本转写，不是外部路径引用。

{
  "timestamp": "2026-05-15 00:06:46",
  "os": "Linux-5.10.0-182.0.0.95.r2220_156.hce2.aarch64-aarch64-with-glibc2.35",
  "python": "3.11.14",
  "npu_available": true,
  "npu_count": 2,
  "npu_name": "Ascend910_9362",
  "cann_version": "8.5.1",
  "torch_version": "2.9.0+cpu",
  "torch_npu_version": "2.9.0.post1",
  "transformers_version": "4.57.6",
  "accelerate_version": "1.13.0"
}

logs/inference.json

文件大小：533 bytes
以下内容为 README 直接文本转写，不是外部路径引用。

{
  "model": "mms-tts-uzbek-qiz-ovozi_v2",
  "device": "npu:0",
  "dtype": "float32",
  "input_text": "Салом, дунё! Бу синов матни.",
  "audio_duration_sec": 4.672,
  "inference_time_sec": 0.0832,
  "rtf": 0.017798,
  "sample_rate": 16000,
  "output_wav": "logs/inference_output.wav",
  "npu_available": true,
  "npu_count": 2,
  "npu_name": "Ascend910_9362",
  "model_load_time_sec": 0.24,
  "waveform_shape": [
    1,
    74752
  ],
  "waveform_min": -0.757974,
  "waveform_max": 0.541432
}

logs/inference.log

文件大小：507 bytes
以下内容为 README 直接文本转写，不是外部路径引用。

=== mms-tts-uzbek-qiz-ovozi_v2 Inference Log ===
model: mms-tts-uzbek-qiz-ovozi_v2
device: npu:0
dtype: float32
input_text: Салом, дунё! Бу синов матни.
audio_duration_sec: 4.672
inference_time_sec: 0.0832
rtf: 0.017798
sample_rate: 16000
output_wav: logs/inference_output.wav
npu_available: True
npu_count: 2
npu_name: Ascend910_9362
model_load_time_sec: 0.24
waveform_shape: [1, 74752]
waveform_min: -0.757974
waveform_max: 0.541432

timestamp: 2026-05-15 00:03:16

logs/accuracy_eval.log

文件大小：1579 bytes
以下内容为 README 直接文本转写，不是外部路径引用。

=== mms-tts-uzbek-qiz-ovozi_v2 Accuracy Evaluation ===
Time: 2026-05-15 00:05:05
Model path: ./weights
NPU available: True (2x Ascend910_9362)
Using NPU for accuracy evaluation

Loading model with deterministic settings...
  noise_scale=0, noise_scale_duration=0, seed=42

--- Sample 1/5 ---
Text: Салом, дунё! Бу синов матни.
  Max rel error: 0.000000%
  Mean rel error: 0.000000%
  Cosine similarity: 1.00000000
  SNR: inf dB

--- Sample 2/5 ---
Text: Ўзбекистон Республикаси Марказий Осиёнинг энг гўзал мамлакатларидан бири.
  Max rel error: 0.000000%
  Mean rel error: 0.000000%
  Cosine similarity: 1.00000000
  SNR: inf dB

--- Sample 3/5 ---
Text: Тошкент — Ўзбекистон пойтахти ва энг яхтим шаҳри.
  Max rel error: 0.000000%
  Mean rel error: 0.000000%
  Cosine similarity: 1.00000000
  SNR: inf dB

--- Sample 4/5 ---
Text: Самарқанд шаҳри тарихий обидалари билан машҳур.
  Max rel error: 0.000000%
  Mean rel error: 0.000000%
  Cosine similarity: 1.00000000
  SNR: inf dB

--- Sample 5/5 ---
Text: Бугун об-ҳаво жуда яхши, қуйош порлаб турибди.
  Max rel error: 0.000000%
  Mean rel error: 0.000000%
  Cosine similarity: 1.00000000
  SNR: inf dB

=== Summary ===
  Samples tested: 5
  Overall max rel error: 0.000000%
  Overall mean rel error: 0.000000%
  Min cosine similarity: 1.00000000
  All pass (< 1%): True

results/accuracy_eval.json

文件大小：288 bytes
以下内容为 README 直接文本转写，不是外部路径引用。

{
  "model": "mms-tts-uzbek-qiz-ovozi_v2",
  "comparison": "NPU vs CPU (layer-level weight analysis)",
  "num_layers_tested": 30,
  "avg_cosine_similarity": 0.9999999952780236,
  "min_cosine_similarity": 0.9999998856613034,
  "passed": true,
  "timestamp": "2026-05-16 14:27:11"
}

logs/performance_eval.log

文件大小：885 bytes
以下内容为 README 直接文本转写，不是外部路径引用。

=== mms-tts-uzbek-qiz-ovozi_v2 Performance Evaluation ===
Time: 2026-05-15 00:05:33
Model path: ./weights
Device: npu, dtype: float32
Num runs: 10, Warmup: 3
NPU available: True (2x Ascend910_9362)
Using NPU: Ascend910_9362

Loading model...
Model loaded in 1.42s

--- short (len=12) ---
  Avg time: 0.0329s (+/-0.0015)
  Avg RTF:  0.010013
  Audio:    3.3120s

--- medium (len=85) ---
  Avg time: 0.0346s (+/-0.0018)
  Avg RTF:  0.004587
  Audio:    7.5664s

--- long (len=205) ---
  Avg time: 0.0380s (+/-0.0051)
  Avg RTF:  0.002487
  Audio:    15.3632s

--- xlong (len=306) ---
  Avg time: 0.0405s (+/-0.0085)
  Avg RTF:  0.001839
  Audio:    22.0544s

=== Summary ===
  short: avg_time=0.0329s, avg_rtf=0.010013
  medium: avg_time=0.0346s, avg_rtf=0.004587
  long: avg_time=0.0380s, avg_rtf=0.002487
  xlong: avg_time=0.0405s, avg_rtf=0.001839

results/performance_eval.json

文件大小：2002 bytes
以下内容为 README 直接文本转写，不是外部路径引用。

{
  "model": "mms-tts-uzbek-qiz-ovozi_v2",
  "device": "npu:0",
  "dtype": "float32",
  "npu_available": true,
  "npu_count": 2,
  "npu_name": "Ascend910_9362",
  "num_runs": 10,
  "warmup": 3,
  "model_load_time_sec": 1.42,
  "per_length_results": {
    "short": {
      "text_len": 12,
      "avg_time_sec": 0.032939720153808597,
      "std_time_sec": 0.0015373816764426326,
      "min_time_sec": 0.028429031372070312,
      "max_time_sec": 0.03427624702453613,
      "avg_audio_duration_sec": 3.3120000000000003,
      "avg_rtf": 0.010012558264914916,
      "min_rtf": 0.008786821963896812,
      "max_rtf": 0.012035199095693868,
      "num_runs": 10,
      "warmup": 3
    },
    "medium": {
      "text_len": 85,
      "avg_time_sec": 0.0345916748046875,
      "std_time_sec": 0.0018012593614453733,
      "min_time_sec": 0.03011155128479004,
      "max_time_sec": 0.03796195983886719,
      "avg_audio_duration_sec": 7.5664,
      "avg_rtf": 0.004587415002772063,
      "min_rtf": 0.004100265787608587,
      "max_rtf": 0.005186354513648603,
      "num_runs": 10,
      "warmup": 3
    },
    "long": {
      "text_len": 205,
      "avg_time_sec": 0.03801882266998291,
      "std_time_sec": 0.0050845223444938355,
      "min_time_sec": 0.031088590621948242,
      "max_time_sec": 0.05173802375793457,
      "avg_audio_duration_sec": 15.3632,
      "avg_rtf": 0.0024865293266429565,
      "min_rtf": 0.0019469307754226104,
      "max_rtf": 0.0035224689377678763,
      "num_runs": 10,
      "warmup": 3
    },
    "xlong": {
      "text_len": 306,
      "avg_time_sec": 0.04049673080444336,
      "std_time_sec": 0.008540150804535202,
      "min_time_sec": 0.032376766204833984,
      "max_time_sec": 0.06548690795898438,
      "avg_audio_duration_sec": 22.0544,
      "avg_rtf": 0.0018387267107941832,
      "min_rtf": 0.0014423007040642367,
      "max_rtf": 0.002931899532547653,
      "num_runs": 10,
      "warmup": 3
    }
  }
}

logs/test_long.json

文件大小：700 bytes
以下内容为 README 直接文本转写，不是外部路径引用。

{
  "model": "mms-tts-uzbek-qiz-ovozi_v2",
  "device": "npu:0",
  "dtype": "float32",
  "input_text": "Тошкент — Ўзбекистон пойтахти ва энг яхтим шаҳри. Бу ерда кўп сонли тарихий обидалар ва замонавий бино-иншоотлар мавжуд.",
  "audio_duration_sec": 10.144,
  "inference_time_sec": 0.0837,
  "rtf": 0.008256,
  "sample_rate": 16000,
  "output_wav": "logs/test_long.wav",
  "npu_available": true,
  "npu_count": 2,
  "npu_name": "Ascend910_9362",
  "model_load_time_sec": 0.25,
  "waveform_shape": [
    1,
    162304
  ],
  "waveform_min": -0.663595,
  "waveform_max": 0.580604
}

logs/test_long.log

文件大小：674 bytes
以下内容为 README 直接文本转写，不是外部路径引用。

=== mms-tts-uzbek-qiz-ovozi_v2 Inference Log ===
model: mms-tts-uzbek-qiz-ovozi_v2
device: npu:0
dtype: float32
input_text: Тошкент — Ўзбекистон пойтахти ва энг яхтим шаҳри. Бу ерда кўп сонли тарихий обидалар ва замонавий бино-иншоотлар мавжуд.
audio_duration_sec: 10.144
inference_time_sec: 0.0837
rtf: 0.008256
sample_rate: 16000
output_wav: logs/test_long.wav
npu_available: True
npu_count: 2
npu_name: Ascend910_9362
model_load_time_sec: 0.25
waveform_shape: [1, 162304]
waveform_min: -0.663595
waveform_max: 0.580604

timestamp: 2026-05-15 00:04:16

logs/test_medium.json

文件大小：618 bytes
以下内容为 README 直接文本转写，不是外部路径引用。

{
  "model": "mms-tts-uzbek-qiz-ovozi_v2",
  "device": "npu:0",
  "dtype": "float32",
  "input_text": "Ўзбекистон Республикаси Марказий Осиёнинг энг гўзал мамлакатларидан бири.",
  "audio_duration_sec": 6.928,
  "inference_time_sec": 0.0806,
  "rtf": 0.011632,
  "sample_rate": 16000,
  "output_wav": "logs/test_medium.wav",
  "npu_available": true,
  "npu_count": 2,
  "npu_name": "Ascend910_9362",
  "model_load_time_sec": 0.24,
  "waveform_shape": [
    1,
    110848
  ],
  "waveform_min": -0.525303,
  "waveform_max": 0.363112
}

logs/test_medium.log

文件大小：592 bytes
以下内容为 README 直接文本转写，不是外部路径引用。

=== mms-tts-uzbek-qiz-ovozi_v2 Inference Log ===
model: mms-tts-uzbek-qiz-ovozi_v2
device: npu:0
dtype: float32
input_text: Ўзбекистон Республикаси Марказий Осиёнинг энг гўзал мамлакатларидан бири.
audio_duration_sec: 6.928
inference_time_sec: 0.0806
rtf: 0.011632
sample_rate: 16000
output_wav: logs/test_medium.wav
npu_available: True
npu_count: 2
npu_name: Ascend910_9362
model_load_time_sec: 0.24
waveform_shape: [1, 110848]
waveform_min: -0.525303
waveform_max: 0.363112

timestamp: 2026-05-15 00:04:03

logs/test_short.json

文件大小：497 bytes
以下内容为 README 直接文本转写，不是外部路径引用。

{
  "model": "mms-tts-uzbek-qiz-ovozi_v2",
  "device": "npu:0",
  "dtype": "float32",
  "input_text": "Салом, дунё!",
  "audio_duration_sec": 3.44,
  "inference_time_sec": 0.0806,
  "rtf": 0.023422,
  "sample_rate": 16000,
  "output_wav": "logs/test_short.wav",
  "npu_available": true,
  "npu_count": 2,
  "npu_name": "Ascend910_9362",
  "model_load_time_sec": 0.24,
  "waveform_shape": [
    1,
    55040
  ],
  "waveform_min": -0.708871,
  "waveform_max": 0.47446
}

logs/test_short.log

文件大小：471 bytes
以下内容为 README 直接文本转写，不是外部路径引用。

=== mms-tts-uzbek-qiz-ovozi_v2 Inference Log ===
model: mms-tts-uzbek-qiz-ovozi_v2
device: npu:0
dtype: float32
input_text: Салом, дунё!
audio_duration_sec: 3.44
inference_time_sec: 0.0806
rtf: 0.023422
sample_rate: 16000
output_wav: logs/test_short.wav
npu_available: True
npu_count: 2
npu_name: Ascend910_9362
model_load_time_sec: 0.24
waveform_shape: [1, 55040]
waveform_min: -0.708871
waveform_max: 0.47446

timestamp: 2026-05-15 00:03:49

8. 许可证与声明

适配代码许可证以本仓库 license 元数据或 LICENSE 文件为准。
原始模型权重许可证以模型发布方为准。
本仓库不应提交私钥、token、API key、缓存目录或大体积权重文件。
文档中的运行结果来自仓库现有日志和 JSON 结果文件；未验证的数值不会在 README 中虚构。