Willow Inference Server入门指南 - 开源自托管的高性能语音和语言推理服务器

Willow Inference Server简介

Willow Inference Server (WIS)是一个专注且高度优化的语言推理服务器实现。它的目标是实现高性能、低成本的自托管语音和语言任务,支持最新的开源模型。

主要特性包括:

• 主要针对CUDA优化,支持从Tesla P4、GTX 1060等低端GPU到RTX 4090等高端GPU。也可以仅使用CPU运行。

• 内存优化,6GB显存即可同时加载3个Whisper模型(base、medium、large-v2)及TTS支持。LLM默认使用int4量化以节省GPU内存。

• 高质量、接近实时的语音识别(ASR),延迟仅数百毫秒。

• 支持TTS,主要用于语音助手和视障用户。

• 可选LLM支持,用于问答、聊天机器人等任务。默认使用Vicuna模型。

• 支持多种传输方式:REST、WebRTC、WebSocket等。

• 性能和内存优化,利用CTranslate2和AutoGPTQ等技术。

• 支持Willow项目,为Willow用户提供推理服务。

• WebRTC支持流式音频,优化长时间会话的带宽和CPU使用。

• 支持自定义TTS语音。

快速开始

安装依赖

1. 克隆仓库:

git clone https://github.com/toverainc/willow-inference-server.git
cd willow-inference-server

2. 安装NVIDIA驱动(推荐530版本)

3. 安装nvidia-container-toolkit:

# Arch Linux:
yay -S libnvidia-container-tools libnvidia-container nvidia-container-toolkit docker-buildx

# Ubuntu:
./deps/ubuntu.sh

安装和启动WIS

# 安装
./utils.sh install

# 生成自签名TLS证书
./utils.sh gen-cert [your hostname]

# 启动WIS
./utils.sh run

配置

• 在WIS根目录创建.env文件可覆盖utils.sh中的变量
• 复制settings.py为custom_settings.py可修改WIS特定参数

使用说明

• Willow设备配置: https://[your host]:19000/api/willow
• WebRTC演示客户端: https://[your host]:19000/rtc
• REST API文档: https://[your host]:19000/api/docs

性能基准测试

WIS在各种GPU上都有出色的性能表现,详细数据可查看GitHub仓库的基准测试部分。

相关资源

• WIS WebRTC演示视频
• Willow项目
• Willow TypeScript客户端

WIS是一个强大而灵活的语音和语言推理服务器,可以为Willow等项目提供高性能的后端支持。它正在快速发展中,欢迎社区参与贡献!