如何用 uv 从源码安装 NeMo Speech 并验证 ASR 与 TTS 集合可用-平芜编程栈

如何用 uv 从源码安装 NeMo Speech 并验证 ASR 与 TTS 集合可用

【免费下载链接】SpeechA scalable generative AI framework built for researchers and developers working on Large Language Models, Multimodal, and Speech AI (Automatic Speech Recognition and Text-to-Speech)项目地址: https://gitcode.com/GitHub_Trending/nem/Speech

目标：在本地从零安装 NVIDIA NeMo Speech，安装完成后能确认 ASR（自动语音识别）和 TTS（文本转语音）两个集合都已可用，即可以导入对应的nemo.collections子包，并能加载预训练模型。安装文档见 docs/source/starthere/install.rst，模型加载验证方式参考 docs/source/starthere/ten_minutes.rst 与 docs/source/tts/checkpoints.rst。

安装前的环境要求

安装文档给出的最低要求：

Python 3.12 或更高版本；
PyTorch 2.7 或更高版本（CPU 或 CUDA 构建均可，按你的目标选）；
NVIDIA GPU + CUDA：训练必需；纯 CPU 推理可行但很慢；
uv：官方推荐的安装工具（pip也可以，但 uv 是主路径）。

uv 安装路径会按仓库提交的uv.lock复现官方主动测试的依赖栈——默认是 Python 3.13、PyTorch 2.12 搭配 CUDA 13.2（另有 PyTorch 2.11 + CUDA 12.9 组合）。这是官方支持并持续测试的组合，但不是硬性要求；如果你已有满足最低要求的 Python/PyTorch/CUDA 环境，也可以用后文的 pip 回退方式装在现有环境之上，且不会替换你已有的 PyTorch。

用 uv 从源码安装

在源码根目录（本仓库）下执行：

git clone https://github.com/NVIDIA-NeMo/Speech.git cd Speech # CUDA 13.x（推荐）。CUDA 12.x 环境改用 --extra cu12 uv sync --extra all --extra cu13

各参数的含义：

--extra all：安装全部集合（ASR、TTS、audio、speechlm2）。如果只需要 ASR 与 TTS，也可以改为--extra asr --extra tts的组合方式，二者在文档的 extras 表中都有定义；
--extra cu13/--extra cu12：指定 CUDA 13.x 或 12.x 对应的 PyTorch 构建。Linux 上这两个 extra 互斥，必须且只能传其中一个；两个都省略时，uv 会装通用的 PyPI PyTorch wheel 而不是 NVIDIA 的 CUDA 匹配构建；
uv sync会在.venv/中创建虚拟环境，并以 editable 模式安装 NeMo Speech。

日常使用有两种方式：用uv run <cmd>运行命令，或先source .venv/bin/activate激活环境。

可选步骤（按需）：

# 安装测试工具链依赖（test 是 PEP 735 依赖组，不是 extra，必须用 --group） uv sync --extra all --extra cu13 --group test # 安装文档构建依赖 uv sync --group docs

注意test和docs是依赖组，只能用--group安装，.[test]这种 bracket 写法无效。

如果目标是与容器完全一致的基线（Dockerfile 和 CI 使用的路径），加上--locked --python 3.13：

uv sync --locked --python 3.13 --extra all --extra cu13

反过来，如果你是想在自带 Python/PyTorch/CUDA 的环境上叠加安装，不要用uv sync --locked——它会强制套用uv.lock，把你已有的 Python/PyTorch/CUDA 替换成受支持基线。该场景应使用uv pip或pip安装（安装文档的 “Install from PyPI with pip” 一节）。

验证 ASR 集合可用

安装完成后，官方文档给出的验证命令是导入 ASR 集合：

python -c "import nemo.collections.asr as nemo_asr; print('NeMo Speech ASR installed')"

如果用了uv sync且没有激活.venv，需要通过 uv 运行：uv run python -c "..."。输出NeMo Speech ASR installed说明 ASR 集合导入成功。

文档还提供了更深一步的验证：实际下载并加载一个预训练模型：

import nemo_collections.asr as nemo_asr # 注意实际导入名为 import nemo.collections.asr model = nemo_asr.models.ASRModel.from_pretrained("nvidia/parakeet-tdt-0.6b-v2") print(f"Loaded: {model.__class__.__name__}")

以上代码块按文档原文应写作：

import nemo.collections.asr as nemo_asr model = nemo_asr.models.ASRModel.from_pretrained("nvidia/parakeet-tdt-0.6b-v2") print(f"Loaded: {model.__class__.__name__}")

from_pretrained会触发一次模型下载，需要网络可达；加载成功后打印模型类名。

验证 TTS 集合可用

TTS 集合的导入验证与 ASR 同理（导入语句取自 TTS 检查点文档的用法）：

python -c "import nemo.collections.tts as nemo_tts; print('NeMo Speech TTS installed')"

同样，未激活.venv时用uv run python执行。

如需验证 TTS 能实际生成语音，docs/source/starthere/ten_minutes.rst 给出了 Magpie TTS 的完整示例（模型会从 Hugging Face 下载）：

from nemo.collections.tts.models import MagpieTTSModel import soundfile as sf # Load model (multilingual 357M, from Hugging Face) model = MagpieTTSModel.from_pretrained("nvidia/magpie_tts_multilingual_357m") model.eval() # Generate speech audio, audio_len = model.do_tts( transcript="Hello! Welcome to NeMo Speech AI.", language="en", ) # Save to file sf.write("output.wav", audio[0].cpu().numpy(), 22050) print("Speech saved to output.wav")

能生成并保存出output.wav，说明 TTS 集合不仅可导入，推理链路也通了。

已知限制与注意事项

weights_only相关：从 PyTorch 2.6 起，torch.load默认weights_only=True。部分 checkpoint 需要weights_only=False，此时在加载前设置环境变量TORCH_FORCE_NO_WEIGHTS_ONLY_LOAD=1，并且只应用于可信文件——对不受信文件开启完整 pickle 支持有任意代码执行风险。
compiled 依赖不在本路径内：compiled/compiled-a100extra 是为 SpeechLM2/Automodel 准备的可选性能增强（Transformer Engine、FlashAttention、Mamba、MoE kernel），需要完整 CUDA 构建环境且官方建议通过docker/Dockerfile构建。安装 ASR/TTS 集合不需要它们。
pip 回退路径：想用自己的 PyTorch 时，先装 PyTorch（≥ 2.7），再uv pip install 'nemo-toolkit[asr,tts]'（或等价的pip install），已装的 PyTorch 会被保留而不是替换。