AncomWiki

Day 875. 2023-11-23

Properties1
descriptionVAD(음성 활동 감지) 관련 데이터 검증 및 WFST 모델 성능 측정 계획을 기록한 일지입니다. Azure 클라우드 환경(T4, A10 GPU)에서 모델 추론 시 비용 최적화(채널 수 대비 GPU 수 조정)를 위한 실험 방법론(Docker Compose, Triton, online-bmt)을 정리하고, 특정 오디오 파일의 오류 건수 및 시간대별 데이터 분포 통계를 기록했습니다.

35 min read

Day 875. 2023-11-23

Source

  • Field Notes/ReturnZero/Daily Notes/Day 875. 2023-11-23.md

Summary

VAD(음성 활동 감지) 관련 데이터 검증 및 WFST 모델 성능 측정 계획을 기록한 일지입니다. Azure 클라우드 환경(T4, A10 GPU)에서 모델 추론 시 비용 최적화(채널 수 대비 GPU 수 조정)를 위한 실험 방법론(Docker Compose, Triton, online-bmt)을 정리하고, 특정 오디오 파일의 오류 건수 및 시간대별 데이터 분포 통계를 기록했습니다.

Key Points

  • VAD 작업 중 오디오 파일 정상성 확인 및 오류 데이터 통계 기록
  • WFST 모델의 T4/A10 GPU 성능 측정 및 500ms 기준 평가 계획
  • Azure 클라우드 비용 최적화를 위한 GPU 채널 수 재조정 실험 (기존 100채널/1장 대비 효율성 검토)
  • Triton 및 Docker Compose 기반 pronaia-engine 배포를 통한 online-bmt 실행 방법론 정의
  • 시간대별(09:00~18:00) 데이터 샘플 수 및 특정 ID별 오류 건수 상세 기록

그래프 뷰

백링크