From 0d90845ac69a99637d983968d62421263415d0e1 Mon Sep 17 00:00:00 2001 From: =?UTF-8?q?=EB=B0=95=EC=83=81=ED=98=B8=20Sangho=20Park?= Date: Wed, 12 Aug 2026 16:39:25 +0900 Subject: [PATCH] docs: add Colab GPU test notebook for real-model verification MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit CPU-only dev env verified via mocks; the notebook runs the full real pipeline on Colab Pro T4: clone → ffmpeg/venv install → detect (GPU capability tier) → 127 unit/integration tests → sample TTS (KO+EN tech terms) → real faster-whisper transcription → hotword/postprocess → API smoke → benchmark. --- README.md | 11 ++ notebooks/luke-scribe-colab.ipynb | 175 +++++++++++++++++ scripts/build_colab_notebook.py | 304 ++++++++++++++++++++++++++++++ 3 files changed, 490 insertions(+) create mode 100644 notebooks/luke-scribe-colab.ipynb create mode 100644 scripts/build_colab_notebook.py diff --git a/README.md b/README.md index 3ce8fa1..55832ea 100644 --- a/README.md +++ b/README.md @@ -108,6 +108,17 @@ docker compose --profile gpu up -d API + Redis + 워커, 공유 스토어 볼륨. `LUKESCRIBE_API_KEYS` 필수. +## Colab 실전 테스트 (GPU) + +이 저장소의 CI/개발 환경은 CPU-only라 모델·ffmpeg는 mock으로만 검증했다. +GPU + 실제 faster-whisper 모델로 실전 검증하려면 **Colab 노트북**을 사용한다 +(Colab Pro T4 GPU 권장 — 터미널에서도 동일 명령 실행 가능): + +- `notebooks/luke-scribe-colab.ipynb` — 클론 → 설치 → `detect`(GPU 감지) → + 테스트 → 샘플 TTS 생성 → **실제 한국어 전사** → hotword/후처리 → API 스모크 → 벤치마크 +- 노트북은 `scripts/build_colab_notebook.py`로 생성/재생성한다 +- private 저장소이면 1번 셀의 `GITEA_TOKEN`에 토큰을 넣는다 + ## 알려진 제한 (v0.1) - 실시간 decode는 `EngineOwner` 스텁 (실제 WS decode는 GPU 환경에서 활성화). diff --git a/notebooks/luke-scribe-colab.ipynb b/notebooks/luke-scribe-colab.ipynb new file mode 100644 index 0000000..d6f4bb3 --- /dev/null +++ b/notebooks/luke-scribe-colab.ipynb @@ -0,0 +1,175 @@ +{ + "nbformat": 4, + "nbformat_minor": 0, + "metadata": { + "colab": { + "provenance": [], + "gpuType": "T4" + }, + "kernelspec": { + "display_name": "Python 3", + "language": "python", + "name": "python3" + }, + "language_info": { + "name": "python", + "version": "3.11" + }, + "accelerator": "GPU" + }, + "cells": [ + { + "cell_type": "markdown", + "metadata": {}, + "source": "# luke_scribe — Colab 실전 테스트 노트북\n\n> 내부용 로컬 STT 전사 API (faster-whisper, hardware-adaptive, privacy-first)\n\n이 노트북은 CPU-only 개발 환경에서 **mock으로만 검증**했던 것을,\nColab Pro(GPU + 터미널)에서 **실전 검증**하기 위한 것입니다.\n\n## 검증 대상\n\n- `luke-scribe detect` → T4 GPU 실제 감지 (능력 등급 T1~T3, 정밀도, 워커수)\n- faster-whisper 모델 다운로드 + **실제 한국어 전사** (CPU-only 환경에선 불가)\n- glossary/hotword 후처리 (KO+EN 기술용어 보존)\n- REST API 흐름 (업로드 → poll → 결과)\n- turbo vs large-v3 벤치마크\n\n## 준비\n\n1. 런타임 → 런타임 유형 변경 → **T4 GPU** 선택\n2. (Colab Pro) 터미널을 사용해도 동일한 명령을 실행할 수 있습니다\n3. 저장소가 private이면 아래 셀에 **Gitea 토큰** 입력 (Settings → Applications → Generate New Token)\n\n---\n" + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": "# 0) 런타임 확인 — T4 GPU가 활성 상태여야 합니다\n!nvidia-smi\nimport sys\nprint('Python', sys.version.split()[0])\n" + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": "## 1) 저장소 클론\n\n`feat/full-platform` 브랜치를 클론합니다.\n저장소가 private이면 아래 셀의 `GITEA_TOKEN`에 토큰을 입력하세요." + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": "# 1) 클론 (private 저장소면 GITEA_TOKEN 입력)\nGITEA_TOKEN = '' # ← 필요 시 입력: https://git.lukehemmin.com/user/settings/applications\n\nif GITEA_TOKEN:\n REPO = f'https://{GITEA_TOKEN}@git.lukehemmin.com/lukehemmin/luke_scribe.git'\nelse:\n REPO = 'https://git.lukehemmin.com/lukehemmin/luke_scribe.git'\n\n!rm -rf luke_scribe\n!git clone -b feat/full-platform {REPO}\nimport os\nos.chdir('/content/luke_scribe')\nprint('클론 완료 →', os.getcwd())\n!git log --oneline -1\n" + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": "## 2) 시스템 의존성 + 설치\n\nffmpeg(오디오 정규화) 설치 후 venv에 luke-scribe를 설치합니다." + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": "# 2) 시스템 패키지 (ffmpeg — ffprobe/정규화에 필수)\n!apt-get update -qq && apt-get install -y -qq ffmpeg >/dev/null\n!ffmpeg -version 2>&1 | head -1\n!ffprobe -version 2>&1 | head -1\n" + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": "# 3) venv + 설치 (GPU 추론은 engine+api만으로 충분 — Colab T4에 CUDA 런타임 내장)\n!python3 -m venv .venv\n!source .venv/bin/activate && pip install -q --upgrade pip\n!source .venv/bin/activate && pip install -q -e '.[engine,api]'\n!source .venv/bin/activate && pip install -q edge-tts # 샘플 음성 생성용\n\n# 이후 셀에서 activate 없이 CLI 사용 가능하게 PATH 등록\nimport os\nos.environ['PATH'] = '/content/luke_scribe/.venv/bin:' + os.environ['PATH']\nprint('설치 완료')\n!luke-scribe --help 2>&1 | head -12\n" + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": "## 3) 하드웨어 감지 — T4 GPU 실제 확인\n\nCPU-only 환경에서는 `T0 / cpu / int8`이 나왔지만,\nColab T4(16GB VRAM, sm_75)에서는 GPU가 감지되어야 합니다." + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": "# 4) detect — GPU 감지 / 능력 등급 / 정밀도 / 워커수\n!luke-scribe detect\n" + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": "## 4) 단위/통합 테스트 (127개)\n\nmock 기반 테스트가 GPU 환경에서도 전부 통과하는지 확인합니다." + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": "# 5) 테스트 스위트\n!source .venv/bin/activate && python -m pytest tests/ -q 2>&1 | tail -5\n" + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": "## 5) 실전 전사 (GPU)\n\n### 5-1) 샘플 오디오 생성\n\nedge-tts(MS TTS)로 **한국어 + 영문 기술용어가 섞인** 샘플을 생성합니다.\n이 텍스트에는 `vLLM`, `Kubernetes`, `GPU` 같은 용어가 포함되어 glossary/hotword 검증에 적합합니다." + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": "# 6) 샘플 오디오 생성 (한국어 + 기술용어, 무료 TTS)\n!mkdir -p samples\n!edge-tts --voice ko-KR-SunHiNeural --text '오늘은 vLLM 서버를 Kubernetes 클러스터에 배포하는 방법을 설명합니다. GPU 가속 추론으로 대기 시간을 줄일 수 있습니다.' --write-media samples/colab-ko-en.mp3\n!ffprobe -v error -show_entries format=duration -of json samples/colab-ko-en.mp3\n" + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": "# 7) 실전 전사 — GPU 자동 감지 + 모델 다운로드 (large-v3-turbo)\n# 첫 실행 시 Hugging Face에서 모델을 다운로드합니다 (turbo ≈ 1.6GB, 1~2분)\n!time luke-scribe transcribe samples/colab-ko-en.mp3 --language ko --device auto\n" + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": "### 5-2) 후처리 검증\n\nglossary(오인식 용어 복원) + hotword(용어 사전 주입) 동작을 확인합니다.\n`--hotword vLLM Kubernetes`를 주면 initial_prompt에 용어가 주입되어 보존률이 올라갑니다." + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": "# 8) hotword 포함 전사 (용어 보존 강화)\n!luke-scribe transcribe samples/colab-ko-en.mp3 --language ko --device auto --hotword vLLM --hotword Kubernetes\n" + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": "## 6) REST API 스모크\n\n서버를 백그라운드로 띄우고 **업로드 → poll → 결과(SRT)** 흐름을 검증합니다." + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": "# 9) API 키 생성 (1회 출력)\n!luke-scribe key --create --scopes transcribe,admin --file /content/api_keys.json\n" + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": "# 10) 서버 기동 (in-proc 큐, 백그라운드)\nimport subprocess, time, os, json\nenv = dict(os.environ)\nenv['LUKESCRIBE_API_KEY_FILE'] = '/content/api_keys.json'\nenv['LUKESCRIBE_QUEUE_BACKEND'] = 'inproc'\nproc = subprocess.Popen(\n ['luke-scribe', 'serve', '--port', '8000'],\n env=env, stdout=subprocess.PIPE, stderr=subprocess.STDOUT, text=True,\n)\n# 기동 대기\nimport urllib.request\nfor _ in range(30):\n try:\n urllib.request.urlopen('http://localhost:8000/health', timeout=1)\n break\n except Exception:\n time.sleep(1)\nprint('서버 기동 OK')\n" + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": "# 11) 업로드 → poll → 결과\nimport json, time, urllib.request, urllib.error\n\nKEY = json.load(open('/content/api_keys.json'))['keys'][0]\n\n# multipart 업로드 (curl 사용 — 간단)\nimport subprocess\nr = subprocess.run(\n ['curl', '-s', '-X', 'POST', 'http://localhost:8000/v1/jobs',\n '-H', f'X-API-Key: {KEY}',\n '-F', 'file=@samples/colab-ko-en.mp3',\n '-F', 'options={\"language\":\"ko\",\"formats\":[\"json\",\"srt\"]}'],\n capture_output=True, text=True,\n)\njob = json.loads(r.stdout)\nprint('생성:', job)\njob_id = job['job_id']\n\n# 완료까지 poll (워커 없이 in-proc이라 즉시 완료되지는 않음 → 여기선 생성까지만 확인)\nprint('job_id =', job_id)\n" + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": "### 참고 — 서버에서 실제 전사까지 실행하려면\n\nin-proc 브로커는 큐만 받고 워커가 별도로 소비해야 합니다. 워커 스레드를 띄우거나\n간단하게는 배치 파이프라인을 직접 호출하는 CLI가 더 간단합니다. API 전체 흐름(워커 포함)은\n다음 셀에서 `python`으로 브로커 + 워커를 함께 돌려 확인합니다." + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": "# 12) 브로커 + 워커 포함 전체 흐름 (in-proc)\n# 서버의 in-proc 브로커에 enqueue된 job을 같은 프로세스의 워커가 소비하는 구조는\n# 프로세스 분리 필요 → 여기서는 클라이언트에서 직접 Worker.drain() 호출로 검증\nfrom luke_scribe.config import Settings\nfrom luke_scribe.jobqueue.broker import InProcBroker\nfrom luke_scribe.jobqueue.worker import Worker\nfrom luke_scribe.jobqueue.jobs import Job\nfrom luke_scribe.results.store import ResultStore\n\nsettings = Settings(_env_file=None, queue_backend='inproc',\n results_dir='/content/results', model_cache_dir=None)\nbroker = InProcBroker(settings)\nstore = ResultStore(settings.results_dir)\n\njob = Job(type='file', lane='batch', source_path='samples/colab-ko-en.mp3',\n options={'model': 'large-v3-turbo', 'language': 'ko', 'device': 'auto'})\nbroker.enqueue(job)\nworker = Worker(settings=settings, broker=broker, store=store)\nworker.drain()\n\nresult = store.read_result(job.id)\nprint('status:', result.status)\nprint('text:', result.text[:120])\nprint('device:', result.execution.device, '| ct:', result.execution.compute_type, '| rtf:', result.timings.rtf)\n" + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": "## 7) 벤치마크 (turbo vs large-v3)\n\nmanifest에 모델 비교 항목이 있으면 실행합니다. 두 모델을 모두 다운로드하므로\n시간이 걸립니다 (turbo ~1.6GB + large-v3 ~3GB)." + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": "# 13) 벤치마크 — 샘플 manifest 사용 (선택, 시간 소요)\n# 간단 manifest 생성\nimport yaml\nmanifest = {\n 'name': 'colab-quick',\n 'language': 'ko',\n 'targets': {'entity_preservation': 0.95, 'cer': 0.15},\n 'cases': [\n {'name': 'ko-en-tech', 'audio': 'samples/colab-ko-en.mp3',\n 'expected_entities': ['vLLM', 'Kubernetes', 'GPU']},\n ],\n}\nyaml.safe_dump(manifest, open('/content/manifest.yaml', 'w'))\n\n# 실행 (기본: turbo만 → 빠름)\n!luke-scribe bench /content/manifest.yaml --models large-v3-turbo --device auto --repeats 2 --output /content/bench-report.json 2>&1 | tail -20\n" + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": "## 8) 문제 해결\n\n### CUDA 라이브러리 오류 (faster-whisper/CTranslate2)\n\nColab T4에는 CUDA 런타임이 있지만, CTranslate2가 pip wheel의 CUDA 라이브러리를\n찾지 못하면 아래를 실행하세요:\n\n```python\nimport os\nos.environ['LD_LIBRARY_PATH'] = (\n '/usr/local/cuda/lib64:' + os.environ.get('LD_LIBRARY_PATH', '')\n)\n```\n\n### 모델 다운로드 실패\n\n- Hugging Face 연결 필요. 재시도: `LUKESCRIBE_MODEL_DOWNLOAD_RETRIES=3`\n- 특정 모델만: `--model large-v3-turbo` (기본) / `--model large-v3`\n\n### OOM (16GB VRAM)\n\n- EngineOwner가 자동으로 정밀도를 강등합니다 (float16 → int8_float16 → int8 → CPU)\n- 수동 지정: `--compute-type int8_float16`\n\n### 저장소가 private인데 클론 안 됨\n\n1번 셀의 `GITEA_TOKEN`에 토큰을 입력하고 런타임 → **Restart session** 후 다시 실행하세요.\n" + } + ] +} \ No newline at end of file diff --git a/scripts/build_colab_notebook.py b/scripts/build_colab_notebook.py new file mode 100644 index 0000000..b6ca20c --- /dev/null +++ b/scripts/build_colab_notebook.py @@ -0,0 +1,304 @@ +"""Colab 실전 테스트 노트북 생성 스크립트. + +다른 환경(CPU-only, ffmpeg 없음)에서 검증할 수 없었던 부분을 +Colab Pro(T4 GPU + 터미널)에서 실전 검증하기 위한 노트북을 생성한다: + +1. 저장소 클론 (feat/full-platform) +2. 시스템 의존성 (ffmpeg) + venv + luke-scribe 설치 +3. `detect` — T4 GPU 실제 감지 (능력 등급/정밀도/워커수) +4. 단위/통합 테스트 (127개 mock) +5. 샘플 오디오 생성 (한국어+영문 기술용어, edge-tts) +6. 실전 전사 (GPU, faster-whisper 모델 다운로드) + glossary/hotword 검증 +7. API 서버 기동 + curl 스모크 (업로드 → poll → 결과) +8. 벤치마크 (turbo vs large-v3) + +사용법: python scripts/build_colab_notebook.py → notebooks/luke-scribe-colab.ipynb +""" + +from __future__ import annotations + +import json +from pathlib import Path + +OUT = Path("notebooks/luke-scribe-colab.ipynb") + + +def md(source: str) -> dict: + return {"cell_type": "markdown", "metadata": {}, "source": source} + + +def code(source: str) -> dict: + return {"cell_type": "code", "execution_count": None, "metadata": {}, "outputs": [], "source": source} + + +def cells() -> list[dict]: + return [ + md( + "# luke_scribe — Colab 실전 테스트 노트북\n" + "\n" + "> 내부용 로컬 STT 전사 API (faster-whisper, hardware-adaptive, privacy-first)\n" + "\n" + "이 노트북은 CPU-only 개발 환경에서 **mock으로만 검증**했던 것을,\n" + "Colab Pro(GPU + 터미널)에서 **실전 검증**하기 위한 것입니다.\n" + "\n" + "## 검증 대상\n" + "\n" + "- `luke-scribe detect` → T4 GPU 실제 감지 (능력 등급 T1~T3, 정밀도, 워커수)\n" + "- faster-whisper 모델 다운로드 + **실제 한국어 전사** (CPU-only 환경에선 불가)\n" + "- glossary/hotword 후처리 (KO+EN 기술용어 보존)\n" + "- REST API 흐름 (업로드 → poll → 결과)\n" + "- turbo vs large-v3 벤치마크\n" + "\n" + "## 준비\n" + "\n" + "1. 런타임 → 런타임 유형 변경 → **T4 GPU** 선택\n" + "2. (Colab Pro) 터미널을 사용해도 동일한 명령을 실행할 수 있습니다\n" + "3. 저장소가 private이면 아래 셀에 **Gitea 토큰** 입력 (Settings → Applications → Generate New Token)\n" + "\n" + "---\n" + ), + code( + "# 0) 런타임 확인 — T4 GPU가 활성 상태여야 합니다\n" + "!nvidia-smi\n" + "import sys\n" + "print('Python', sys.version.split()[0])\n" + ), + md( + "## 1) 저장소 클론\n" + "\n" + "`feat/full-platform` 브랜치를 클론합니다.\n" + "저장소가 private이면 아래 셀의 `GITEA_TOKEN`에 토큰을 입력하세요." + ), + code( + "# 1) 클론 (private 저장소면 GITEA_TOKEN 입력)\n" + "GITEA_TOKEN = '' # ← 필요 시 입력: https://git.lukehemmin.com/user/settings/applications\n" + "\n" + "if GITEA_TOKEN:\n" + " REPO = f'https://{GITEA_TOKEN}@git.lukehemmin.com/lukehemmin/luke_scribe.git'\n" + "else:\n" + " REPO = 'https://git.lukehemmin.com/lukehemmin/luke_scribe.git'\n" + "\n" + "!rm -rf luke_scribe\n" + "!git clone -b feat/full-platform {REPO}\n" + "import os\n" + "os.chdir('/content/luke_scribe')\n" + "print('클론 완료 →', os.getcwd())\n" + "!git log --oneline -1\n" + ), + md("## 2) 시스템 의존성 + 설치\n\nffmpeg(오디오 정규화) 설치 후 venv에 luke-scribe를 설치합니다."), + code( + "# 2) 시스템 패키지 (ffmpeg — ffprobe/정규화에 필수)\n" + "!apt-get update -qq && apt-get install -y -qq ffmpeg >/dev/null\n" + "!ffmpeg -version 2>&1 | head -1\n" + "!ffprobe -version 2>&1 | head -1\n" + ), + code( + "# 3) venv + 설치 (GPU 추론은 engine+api만으로 충분 — Colab T4에 CUDA 런타임 내장)\n" + "!python3 -m venv .venv\n" + "!source .venv/bin/activate && pip install -q --upgrade pip\n" + "!source .venv/bin/activate && pip install -q -e '.[engine,api]'\n" + "!source .venv/bin/activate && pip install -q edge-tts # 샘플 음성 생성용\n" + "\n" + "# 이후 셀에서 activate 없이 CLI 사용 가능하게 PATH 등록\n" + "import os\n" + "os.environ['PATH'] = '/content/luke_scribe/.venv/bin:' + os.environ['PATH']\n" + "print('설치 완료')\n" + "!luke-scribe --help 2>&1 | head -12\n" + ), + md( + "## 3) 하드웨어 감지 — T4 GPU 실제 확인\n" + "\n" + "CPU-only 환경에서는 `T0 / cpu / int8`이 나왔지만,\n" + "Colab T4(16GB VRAM, sm_75)에서는 GPU가 감지되어야 합니다." + ), + code( + "# 4) detect — GPU 감지 / 능력 등급 / 정밀도 / 워커수\n" + "!luke-scribe detect\n" + ), + md("## 4) 단위/통합 테스트 (127개)\n\nmock 기반 테스트가 GPU 환경에서도 전부 통과하는지 확인합니다."), + code( + "# 5) 테스트 스위트\n" + "!source .venv/bin/activate && python -m pytest tests/ -q 2>&1 | tail -5\n" + ), + md( + "## 5) 실전 전사 (GPU)\n\n" + "### 5-1) 샘플 오디오 생성\n\n" + "edge-tts(MS TTS)로 **한국어 + 영문 기술용어가 섞인** 샘플을 생성합니다.\n" + "이 텍스트에는 `vLLM`, `Kubernetes`, `GPU` 같은 용어가 포함되어 glossary/hotword 검증에 적합합니다." + ), + code( + "# 6) 샘플 오디오 생성 (한국어 + 기술용어, 무료 TTS)\n" + "!mkdir -p samples\n" + "!edge-tts --voice ko-KR-SunHiNeural --text '오늘은 vLLM 서버를 Kubernetes 클러스터에 배포하는 방법을 설명합니다. GPU 가속 추론으로 대기 시간을 줄일 수 있습니다.' --write-media samples/colab-ko-en.mp3\n" + "!ffprobe -v error -show_entries format=duration -of json samples/colab-ko-en.mp3\n" + ), + code( + "# 7) 실전 전사 — GPU 자동 감지 + 모델 다운로드 (large-v3-turbo)\n" + "# 첫 실행 시 Hugging Face에서 모델을 다운로드합니다 (turbo ≈ 1.6GB, 1~2분)\n" + "!time luke-scribe transcribe samples/colab-ko-en.mp3 --language ko --device auto\n" + ), + md( + "### 5-2) 후처리 검증\n\n" + "glossary(오인식 용어 복원) + hotword(용어 사전 주입) 동작을 확인합니다.\n" + "`--hotword vLLM Kubernetes`를 주면 initial_prompt에 용어가 주입되어 보존률이 올라갑니다." + ), + code( + "# 8) hotword 포함 전사 (용어 보존 강화)\n" + "!luke-scribe transcribe samples/colab-ko-en.mp3 --language ko --device auto --hotword vLLM --hotword Kubernetes\n" + ), + md( + "## 6) REST API 스모크\n\n" + "서버를 백그라운드로 띄우고 **업로드 → poll → 결과(SRT)** 흐름을 검증합니다." + ), + code( + "# 9) API 키 생성 (1회 출력)\n" + "!luke-scribe key --create --scopes transcribe,admin --file /content/api_keys.json\n" + ), + code( + "# 10) 서버 기동 (in-proc 큐, 백그라운드)\n" + "import subprocess, time, os, json\n" + "env = dict(os.environ)\n" + "env['LUKESCRIBE_API_KEY_FILE'] = '/content/api_keys.json'\n" + "env['LUKESCRIBE_QUEUE_BACKEND'] = 'inproc'\n" + "proc = subprocess.Popen(\n" + " ['luke-scribe', 'serve', '--port', '8000'],\n" + " env=env, stdout=subprocess.PIPE, stderr=subprocess.STDOUT, text=True,\n" + ")\n" + "# 기동 대기\n" + "import urllib.request\n" + "for _ in range(30):\n" + " try:\n" + " urllib.request.urlopen('http://localhost:8000/health', timeout=1)\n" + " break\n" + " except Exception:\n" + " time.sleep(1)\n" + "print('서버 기동 OK')\n" + ), + code( + "# 11) 업로드 → poll → 결과\n" + "import json, time, urllib.request, urllib.error\n" + "\n" + "KEY = json.load(open('/content/api_keys.json'))['keys'][0]\n" + "\n" + "# multipart 업로드 (curl 사용 — 간단)\n" + "import subprocess\n" + "r = subprocess.run(\n" + " ['curl', '-s', '-X', 'POST', 'http://localhost:8000/v1/jobs',\n" + " '-H', f'X-API-Key: {KEY}',\n" + " '-F', 'file=@samples/colab-ko-en.mp3',\n" + " '-F', 'options={\"language\":\"ko\",\"formats\":[\"json\",\"srt\"]}'],\n" + " capture_output=True, text=True,\n" + ")\n" + "job = json.loads(r.stdout)\n" + "print('생성:', job)\n" + "job_id = job['job_id']\n" + "\n" + "# 완료까지 poll (워커 없이 in-proc이라 즉시 완료되지는 않음 → 여기선 생성까지만 확인)\n" + "print('job_id =', job_id)\n" + ), + md( + "### 참고 — 서버에서 실제 전사까지 실행하려면\n\n" + "in-proc 브로커는 큐만 받고 워커가 별도로 소비해야 합니다. 워커 스레드를 띄우거나\n" + "간단하게는 배치 파이프라인을 직접 호출하는 CLI가 더 간단합니다. API 전체 흐름(워커 포함)은\n" + "다음 셀에서 `python`으로 브로커 + 워커를 함께 돌려 확인합니다." + ), + code( + "# 12) 브로커 + 워커 포함 전체 흐름 (in-proc)\n" + "# 서버의 in-proc 브로커에 enqueue된 job을 같은 프로세스의 워커가 소비하는 구조는\n" + "# 프로세스 분리 필요 → 여기서는 클라이언트에서 직접 Worker.drain() 호출로 검증\n" + "from luke_scribe.config import Settings\n" + "from luke_scribe.jobqueue.broker import InProcBroker\n" + "from luke_scribe.jobqueue.worker import Worker\n" + "from luke_scribe.jobqueue.jobs import Job\n" + "from luke_scribe.results.store import ResultStore\n" + "\n" + "settings = Settings(_env_file=None, queue_backend='inproc',\n" + " results_dir='/content/results', model_cache_dir=None)\n" + "broker = InProcBroker(settings)\n" + "store = ResultStore(settings.results_dir)\n" + "\n" + "job = Job(type='file', lane='batch', source_path='samples/colab-ko-en.mp3',\n" + " options={'model': 'large-v3-turbo', 'language': 'ko', 'device': 'auto'})\n" + "broker.enqueue(job)\n" + "worker = Worker(settings=settings, broker=broker, store=store)\n" + "worker.drain()\n" + "\n" + "result = store.read_result(job.id)\n" + "print('status:', result.status)\n" + "print('text:', result.text[:120])\n" + "print('device:', result.execution.device, '| ct:', result.execution.compute_type, '| rtf:', result.timings.rtf)\n" + ), + md( + "## 7) 벤치마크 (turbo vs large-v3)\n\n" + "manifest에 모델 비교 항목이 있으면 실행합니다. 두 모델을 모두 다운로드하므로\n" + "시간이 걸립니다 (turbo ~1.6GB + large-v3 ~3GB)." + ), + code( + "# 13) 벤치마크 — 샘플 manifest 사용 (선택, 시간 소요)\n" + "# 간단 manifest 생성\n" + "import yaml\n" + "manifest = {\n" + " 'name': 'colab-quick',\n" + " 'language': 'ko',\n" + " 'targets': {'entity_preservation': 0.95, 'cer': 0.15},\n" + " 'cases': [\n" + " {'name': 'ko-en-tech', 'audio': 'samples/colab-ko-en.mp3',\n" + " 'expected_entities': ['vLLM', 'Kubernetes', 'GPU']},\n" + " ],\n" + "}\n" + "yaml.safe_dump(manifest, open('/content/manifest.yaml', 'w'))\n" + "\n" + "# 실행 (기본: turbo만 → 빠름)\n" + "!luke-scribe bench /content/manifest.yaml --models large-v3-turbo --device auto --repeats 2 --output /content/bench-report.json 2>&1 | tail -20\n" + ), + md( + "## 8) 문제 해결\n\n" + "### CUDA 라이브러리 오류 (faster-whisper/CTranslate2)\n\n" + "Colab T4에는 CUDA 런타임이 있지만, CTranslate2가 pip wheel의 CUDA 라이브러리를\n" + "찾지 못하면 아래를 실행하세요:\n" + "\n" + "```python\n" + "import os\n" + "os.environ['LD_LIBRARY_PATH'] = (\n" + " '/usr/local/cuda/lib64:' + os.environ.get('LD_LIBRARY_PATH', '')\n" + ")\n" + "```\n" + "\n" + "### 모델 다운로드 실패\n\n" + "- Hugging Face 연결 필요. 재시도: `LUKESCRIBE_MODEL_DOWNLOAD_RETRIES=3`\n" + "- 특정 모델만: `--model large-v3-turbo` (기본) / `--model large-v3`\n" + "\n" + "### OOM (16GB VRAM)\n\n" + "- EngineOwner가 자동으로 정밀도를 강등합니다 (float16 → int8_float16 → int8 → CPU)\n" + "- 수동 지정: `--compute-type int8_float16`\n" + "\n" + "### 저장소가 private인데 클론 안 됨\n\n" + "1번 셀의 `GITEA_TOKEN`에 토큰을 입력하고 런타임 → **Restart session** 후 다시 실행하세요.\n" + ), + ] + + +def main() -> None: + nb = { + "nbformat": 4, + "nbformat_minor": 0, + "metadata": { + "colab": {"provenance": [], "gpuType": "T4"}, + "kernelspec": { + "display_name": "Python 3", + "language": "python", + "name": "python3", + }, + "language_info": {"name": "python", "version": "3.11"}, + "accelerator": "GPU", + }, + "cells": cells(), + } + OUT.parent.mkdir(parents=True, exist_ok=True) + OUT.write_text(json.dumps(nb, ensure_ascii=False, indent=1), encoding="utf-8") + n_code = sum(1 for c in nb["cells"] if c["cell_type"] == "code") + print(f"✅ {OUT} 생성 (셀 {len(nb['cells'])}개, 코드 {n_code}개)") + + +if __name__ == "__main__": + main()