"""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 또는 업데이트 (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" "import os, subprocess\n" "\n" "if os.path.isdir('/content/luke_scribe/.git'):\n" " # 이미 클론된 레포 → 최신 브랜치로 갱신 (pull)\n" " print('기존 레포 감지 → pull로 갱신')\n" " subprocess.run(['git', 'fetch', 'origin'], cwd='/content/luke_scribe', check=True)\n" " subprocess.run(['git', 'checkout', 'feat/full-platform'], cwd='/content/luke_scribe', check=True)\n" " subprocess.run(['git', 'pull', '--ff-only', 'origin', 'feat/full-platform'], cwd='/content/luke_scribe', check=True)\n" "else:\n" " # 최초 실행 → 클론\n" " subprocess.run(['git', 'clone', '-b', 'feat/full-platform', REPO], cwd='/content', check=True)\n" "\n" "os.chdir('/content/luke_scribe')\n" "print('작업 디렉터리 →', 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) 설치 — Colab은 시스템 pip가 표준 (venv는 Colab에서 ensurepip 오류로 실패할 수 있음)\n" "!pip install -q --upgrade pip\n" "!pip install -q -e '.[engine,api]'\n" "!pip install -q edge-tts # 샘플 음성 생성용\n" "\n" "# CUDA 13(Colab)에서는 CTranslate2 wheel(CUDA 12용)이 런타임 라이브러리를 못 찾음.\n" "# CUDA 12 런타임(cuBLAS/cuDNN)을 pip로 설치하고, 실제 .so 위치를 find로 찾아\n" "# LD_LIBRARY_PATH에 추가한다 (nvidia-*-cu12는 namespace package라 __file__이 없음).\n" "!pip install -q nvidia-cublas-cu12 nvidia-cudnn-cu12\n" "import os, site, subprocess\n" "lib_dirs = set()\n" "for lib in ('libcublas.so', 'libcudnn.so'):\n" " out = subprocess.run(\n" " ['bash', '-c', f'find {site.getsitepackages()[0]} -name \"{lib}*\" 2>/dev/null | head -3'],\n" " capture_output=True, text=True,\n" " ).stdout\n" " for line in out.splitlines():\n" " d = os.path.dirname(line)\n" " if d:\n" " lib_dirs.add(d)\n" "os.environ['LD_LIBRARY_PATH'] = ':'.join(lib_dirs) + ':' + os.environ.get('LD_LIBRARY_PATH', '')\n" "print('LD_LIBRARY_PATH:', os.environ['LD_LIBRARY_PATH'])\n" "print('설치 완료')\n" "\n" "# 실행 중인 Colab 커널은 새 .pth 파일을 읽지 못한다 (pip editable 설치는\n" "# 인터프리터 시작 시에만 반영). → 커널 sys.path에 src/를 직접 등록해\n" "# luke_scribe import를 보장한다 (서브프로세스 CLI는 .pth를 읽으므로 무관).\n" "import sys, os as _os\n" "_root = _os.getcwd()\n" "while not _os.path.isdir(_os.path.join(_root, 'src', 'luke_scribe')) and _root != _os.path.dirname(_root):\n" " _root = _os.path.dirname(_root)\n" "sys.path.insert(0, _os.path.join(_root, 'src'))\n" "import luke_scribe.config as _cfg\n" "print('패키지 임포트 OK →', _cfg.__file__)\n" "\n" "# Cloudflare 터널용 cloudflared 바이너리 (실패해도 진행 — 터널 없이 로컬 사용 가능)\n" "!wget -q https://github.com/cloudflare/cloudflared/releases/latest/download/cloudflared-linux-amd64 -O /usr/local/bin/cloudflared || echo 'cloudflared 다운로드 실패 — 터널 없이 계속합니다'\n" "!chmod +x /usr/local/bin/cloudflared 2>/dev/null; cloudflared --version 2>&1 | head -1 || echo 'cloudflared 미설치 — 터널 생략'\n" "!which luke-scribe && luke-scribe --help 2>&1 | head -8\n" ), code( "# 4) CTranslate2 GPU 검증 — unsupported device cuda:0 해결 여부 확인\n" "import ctranslate2\n" "print('ctranslate2', ctranslate2.__version__)\n" "print('CUDA device count:', ctranslate2.get_cuda_device_count())\n" "if ctranslate2.get_cuda_device_count() > 0:\n" " print('GPU 사용 가능 ✅ — 이후 전사는 GPU로 실행됩니다')\n" "else:\n" " print('GPU 사용 불가 — CPU 폴백 필요 (--device cpu --compute-type int8)')\n" ), md( "## 3) 하드웨어 감지 — GPU 실제 확인\n" "\n" "CPU-only 환경에서는 `T0 / cpu / int8`이 나왔지만,\n" "Colab GPU(A100 80GB / T4 16GB)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!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" "# v0.1: 'cuda:N' device를 분리해 CTranslate2 계약에 맞게 전달하도록 수정됨\n" "# (기존: unsupported device cuda:0). 그래도 실패하면 CPU 폴백 안내가 출력됩니다.\n" "import subprocess, json\n" "r = subprocess.run(\n" " ['luke-scribe', 'transcribe', 'samples/colab-ko-en.mp3', '--language', 'ko', '--device', 'auto'],\n" " capture_output=True, text=True,\n" ")\n" "print(r.stdout[-2500:] if r.stdout else '')\n" "print(r.stderr[-800:] if r.stderr else '')\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 — raw 키는 1회만 출력되므로 여기서 캡처한다\n" "import subprocess, json, os\n" "r = subprocess.run(\n" " ['luke-scribe', 'key', '--create', '--scopes', 'transcribe,admin', '--file', '/content/api_keys.json'],\n" " capture_output=True, text=True,\n" ")\n" "created = json.loads(r.stdout)\n" "RAW_KEY = created['key'] # 이후 셀에서 사용\n" "print('key_id:', created['key_id'], '| scopes:', created['scopes'])\n" "print('raw 키 캡처 완료 (표시 안 함)')\n" ), code( "# 10) 서버 기동 (in-proc 큐, 백그라운드 — nohup)\n" "# 이전 실행에서 남은 서버가 포트 8000을 점유하면 새 키를 모른 채 401이 난다.\n" "# → 먼저 기존 서버를 모두 종료하고, 키 파일 경로를 명시해 재시작한다.\n" "import subprocess, os, re, shutil, time, urllib.request, urllib.error\n" "\n" "assert 'RAW_KEY' in globals(), '셀 9(키 생성)를 먼저 실행하세요'\n" "\n" "subprocess.run(['pkill', '-f', 'luke-scribe serve'], capture_output=True)\n" "time.sleep(2)\n" "\n" "# 서버가 읽을 키 파일/큐를 명시 (cwd 의존 제거)\n" "os.environ['LUKESCRIBE_API_KEY_FILE'] = '/content/api_keys.json'\n" "os.environ['LUKESCRIBE_QUEUE_BACKEND'] = 'inproc'\n" "# in-proc 서버가 자체 워커 스레드로 큐를 소비 (업로드 → 완료까지 API 단독 처리)\n" "os.environ['LUKESCRIBE_AUTO_WORKER'] = 'true'\n" "# Cloudflare Quick Tunnel — 외부 접속 링크 발급 (cloudflared는 셀 3에서 설치)\n" "os.environ['LUKESCRIBE_TUNNEL'] = 'cloudflare'\n" "\n" "!mkdir -p /content/logs\n" "!nohup luke-scribe serve --port 8000 > /content/logs/server.log 2>&1 &\n" "\n" "ok = False\n" "for _ in range(40):\n" " try:\n" " urllib.request.urlopen('http://localhost:8000/health', timeout=1)\n" " ok = True\n" " break\n" " except Exception:\n" " time.sleep(1)\n" "if not ok:\n" " print('서버 기동 실패 — 로그:')\n" " print(open('/content/logs/server.log').read()[-1500:])\n" " raise SystemExit('서버 기동 실패')\n" "\n" "# 키 인증 검증 — RAW_KEY로 /v1/jobs 호출 → 200이어야 함 (401이면 종료)\n" "req = urllib.request.Request('http://localhost:8000/v1/jobs', headers={'X-API-Key': RAW_KEY})\n" "try:\n" " resp = urllib.request.urlopen(req, timeout=5)\n" " print('서버 기동 OK + 키 인증 OK (HTTP', resp.status, ')')\n" "except urllib.error.HTTPError as e:\n" " print('키 인증 실패 (HTTP', e.code, ') — 서버 로그:')\n" " print(open('/content/logs/server.log').read()[-1500:])\n" " raise SystemExit('키 인증 실패 — RAW_KEY 캡처/키 파일 확인')\n" "\n" "# ── Cloudflare 터널 URL 캡처 + 외부 접속 검증 (서버 로그의 trycloudflare URL) ──\n" "TUNNEL_URL = None\n" "if shutil.which('cloudflared'):\n" " for _ in range(60):\n" " log = open('/content/logs/server.log', encoding='utf-8', errors='replace').read()\n" " m = re.search(r'https://[a-z0-9-]+\\.trycloudflare\\.com', log)\n" " if m:\n" " TUNNEL_URL = m.group(0)\n" " break\n" " time.sleep(2)\n" "else:\n" " print('cloudflared 미설치 (셀 3 다운로드 실패) — 터널 생략, 로컬(8000) 계속 사용')\n" "\n" "if TUNNEL_URL:\n" " print('🌐 Cloudflare 터널 (외부 접속):', TUNNEL_URL)\n" " print(' 대시보드 (API Docs):', TUNNEL_URL + '/docs')\n" " print(' 상태 (health):', TUNNEL_URL + '/health')\n" " # DNS 전파 지연 대비 재시도 (새 trycloudflare 호스트는 초반에 못 풀릴 수 있음)\n" " ext_ok = False\n" " for _ in range(6):\n" " try:\n" " ext = urllib.request.urlopen(TUNNEL_URL + '/health', timeout=15)\n" " print(' 외부 접속 검증 OK (HTTP', ext.status, ')')\n" " ext_ok = True\n" " break\n" " except Exception:\n" " time.sleep(2)\n" " if not ext_ok:\n" " print(' 외부 접속 검증 실패 (DNS 전파 지연이거나 Cloudflare 브라우저 체크 — 브라우저에서 직접 확인하세요)')\n" " print(' ※ 임시 링크 — Colab 세션 종료 시 닫힘. API 호출에는 RAW_KEY(X-API-Key) 필요.')\n" "else:\n" " print('터널 URL 미감지 — 서버 로그:')\n" " print(open('/content/logs/server.log').read()[-1200:])\n" " print('로컬(8000)에서 계속 사용할 수 있습니다.')\n" ), code( "# 11) 업로드 → poll → 결과 (RAW_KEY는 셀 9에서 캡처된 값)\n" "import json, time, urllib.request, urllib.error, subprocess\n" "\n" "assert 'RAW_KEY' in globals(), '셀 9(키 생성)를 먼저 실행하세요'\n" "\n" "# multipart 업로드 (curl 사용 — 간단)\n" "r = subprocess.run(\n" " ['curl', '-s', '-X', 'POST', 'http://localhost:8000/v1/jobs',\n" " '-H', f'X-API-Key: {RAW_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.get('job_id')\n" "\n" "# 완료까지 poll (auto-worker가 서버 프로세스에서 큐를 소비 — 첫 실행은\n" "# 모델 다운로드 ~1.6GB 포함이라 최대 4분까지 대기)\n" "if job_id:\n" " print('job_id =', job_id)\n" " for _ in range(120):\n" " st = json.loads(urllib.request.urlopen(\n" " urllib.request.Request(f'http://localhost:8000/v1/jobs/{job_id}',\n" " headers={'X-API-Key': RAW_KEY})\n" " ).read())\n" " if st['status'] in ('completed', 'failed', 'cancelled'):\n" " print('최종 상태:', st['status'])\n" " break\n" " time.sleep(2)\n" " else:\n" " print('폴링 60초 초과 — 서버 로그 확인: /content/logs/server.log')\n" "else:\n" " print('업로드 실패 — 서버 로그 확인: /content/logs/server.log')\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" "# 커널 sys.path 보강 — editable 설치는 인터프리터 시작 시에만 반영되므로\n" "# 실행 중인 커널은 src/를 직접 등록해야 한다 (셀 3에서도 처리하지만 방어적 가드)\n" "import sys, os as _os\n" "if not any(_os.path.isfile(_os.path.join(p, 'luke_scribe', 'config.py')) for p in sys.path):\n" " _root = _os.getcwd()\n" " while not _os.path.isdir(_os.path.join(_root, 'src', 'luke_scribe')) and _root != _os.path.dirname(_root):\n" " _root = _os.path.dirname(_root)\n" " sys.path.insert(0, _os.path.join(_root, 'src'))\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" "if result is None:\n" " # 전사 실패(예: GPU 초기화 실패) 시 결과가 저장되지 않음 — 상태/오류 출력\n" " state = broker.get(job.id)\n" " print('결과 없음 — job 상태:', getattr(state, 'status', 'unknown'))\n" " if state is not None:\n" " err = getattr(state, 'error_message', None) or getattr(state, 'error_code', None)\n" " print('job 오류:', err or '없음')\n" "else:\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" "# entities는 {canonical, surface, start_char, end_char} dict여야 한다\n" "# (문자열이면 entity_retention이 .get() 호출에 실패해 clip이 실패 처리됨)\n" "import yaml\n" "\n" "REF_TEXT = '오늘은 vLLM 서버를 Kubernetes 클러스터에 배포하는 방법을 설명합니다. GPU 가속 추론으로 대기 시간을 줄일 수 있습니다.'\n" "with open('/content/reference.txt', 'w', encoding='utf-8') as f:\n" " f.write(REF_TEXT)\n" "\n" "entities = []\n" "for name in ('vLLM', 'Kubernetes', 'GPU'):\n" " idx = REF_TEXT.index(name)\n" " entities.append({\n" " 'canonical': name, 'surface': name,\n" " 'start_char': idx, 'end_char': idx + len(name),\n" " })\n" "\n" "manifest = {\n" " 'name': 'colab-quick',\n" " 'dataset_version': '1.0',\n" " 'language': 'ko',\n" " 'targets': {'entity_preservation': 0.95, 'cer': 0.15},\n" " 'clips': [\n" " {'id': 'ko-en-tech', 'audio_path': 'samples/colab-ko-en.mp3',\n" " 'reference_path': '/content/reference.txt',\n" " 'duration_sec': 10.5, 'entities': entities},\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" "### 전사 실패: `unsupported device cuda:0`\n\n" '**근본 원인**: v0.1 엔진이 `device="cuda:0"`(인덱스 포함)를 그대로 CTranslate2에 전달했는데,\n' 'CTranslate2는 `device="cuda"`만 허용하고 인덱스는 별도 `device_index` 인자로 받습니다.\n' "→ 엔진에서 `device`/`device_index`를 분리하도록 **수정 완료** (이 브랜치 최신 커밋 포함).\n\n" "참고: Colab의 CUDA 13(드라이버 580)에서는 CUDA 12용 CTranslate2 wheel이\n" "런타임 라이브러리(cuBLAS/cuDNN)를 못 찾을 수 있어, 설치 셀 3에서\n" "`nvidia-cublas-cu12`/`nvidia-cudnn-cu12` + `LD_LIBRARY_PATH`를 설정합니다.\n" "그래도 실패하면 CPU 폴백: `--device cpu --compute-type int8` (느리지만 확실).\n\n" "### API 키 인증 실패 (401)\n\n" "1. `api_keys.json`에는 **다이제스트만** 저장되고 raw 키는 생성 시 1회만 출력됩니다\n" " (보안 설계). 셀 9에서 `RAW_KEY`를 캡처했는지 확인하세요 — 파일에서 키를 읽으면 401.\n" "2. **이전 실행에서 남은 서버**가 포트 8000을 점유하면 새 키를 모른 채 401이 납니다.\n" " 셀 10이 시작 시 `pkill`로 기존 서버를 종료하고 키 인증(HTTP 200)까지 검증합니다.\n\n" "### 업로드 후 job이 queued에 머무는 경우\n\n" "in-proc 백엔드는 별도 워커 프로세스가 없으면 큐를 소비하지 못합니다.\n" "셀 10이 `LUKESCRIBE_AUTO_WORKER=true`로 서버를 띄우면 서버 내부 워커 스레드가\n" "업로드 → 완료까지 처리합니다 (v0.1에서 추가된 옵트인 기능).\n\n" "### Cloudflare 터널로 외부에서 접속 (선택)\n\n" "서버 셀 10이 완료되면 `https://xxx.trycloudflare.com` 외부 접속 링크가 출력됩니다.\n" "- **임시 링크** — Colab 세션(서버 프로세스)이 살아 있는 동안만 유효하며, 세션 종료/재시작 시 닫힙니다.\n" "- `/docs`(Swagger 대시보드)와 `/health`는 별도 키 없이 열리지만, **실제 API 호출은 `X-API-Key`(RAW_KEY)가 필요**합니다.\n" "- cloudflared는 셀 3에서 설치됩니다. 다운로드 실패 시 터널 없이 로컬(8000)에서 계속 사용할 수 있습니다.\n" "- 터널은 `http://localhost:8000`을 고정으로 바라봅니다. 다른 포트로 서버를 띄우면 터널이 연결되지 않습니다.\n" "- trycloudflare는 **인증 없는 Quick Tunnel**이라 URL만 알면 누구나 접근 가능합니다. 민감 데이터는 올리지 마세요.\n\n" "### `No module named 'luke_scribe'` (셀 12에서 import 실패)\n\n" "Colab 커널은 실행 중에는 pip editable 설치가 만든 .pth를 읽지 못합니다\n" "(인터프리터 시작 시에만 반영). 설치 셀 3이 커널 sys.path에 `src/`를 직접\n" "등록해 해결했습니다 — 이 셀만 다시 실행하려면 설치 셀 3(또는 전체)을 재실행하세요.\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" "### API 키 인증 실패 (401)\n\n" "`api_keys.json`에는 **다이제스트만** 저장되고 raw 키는 생성 시 1회만 출력됩니다\n" "(보안 설계). 셀 9에서 `RAW_KEY`를 캡처했는지 확인하세요 — 파일에서 키를 읽으면 401이 납니다.\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()