note-articles/docs-tech/dgx-spark-vibevoice-asr/index.md

sidebar_position, title, description, hide_table_of_contents, displayed_sidebar, image

sidebar_position	title	description	hide_table_of_contents	displayed_sidebar	image
8	DGX SparkでVibeVoice ASRを動かす — リアルタイム日本語音声認識	Microsoft VibeVoice ASRをDGX Spark環境でDockerベースで動かし、バッチ処理とリアルタイム音声認識を実現する方法	false	null	./banner.png

DGX Spark で VibeVoice ASR を動かす — リアルタイム日本語音声認識

はじめに

Microsoft の VibeVoice ASR を DGX Spark 環境で動作させるための Docker ベースのセットアップ手順です。

VibeVoice ASR とは

VibeVoice は Microsoft が開発したオープンソースの音声認識モデルで、以下の特徴があります：

• 高精度な日本語認識 — 日本語を含む多言語対応
• 話者分離（Diarization） — 複数話者を区別
• タイムスタンプ — 発話区間を正確に記録
• ストリーミング対応 — リアルタイム音声認識

本セットアップの機能

機能	説明	ポート
バッチASR (Gradio)	ファイルアップロード・マイク録音からの認識	7860
リアルタイムASR	WebSocket によるストリーミング認識	8000

追加で以下をサポート：

• MKV/MP4 動画ファイルからの音声抽出
• 話者分離（Speaker Diarization）
• タイムスタンプ付き出力

必要環境

• NVIDIA GPU — CUDA 13.1 対応（DGX Spark / Blackwell GB10）
• Docker — NVIDIA Container Toolkit 導入済み
• VRAM — 約 8GB 以上

ワンライナーでセットアップ

curl -sL https://docs.techswan.online/scripts/vibevoice-asr/setup.sh | bash -s build

これだけでダウンロード・ビルドが完了します。

その他のオプション

# ダウンロードのみ
curl -sL https://docs.techswan.online/scripts/vibevoice-asr/setup.sh | bash

# ダウンロード・ビルド・Gradioデモ起動まで一気に
curl -sL https://docs.techswan.online/scripts/vibevoice-asr/setup.sh | bash -s demo

# 両方のサービスを起動（Gradio + Realtime ASR）
curl -sL https://docs.techswan.online/scripts/vibevoice-asr/setup.sh | bash -s serve

手動セットアップ

1. ファイルをダウンロード

curl -sL https://docs.techswan.online/scripts/vibevoice-asr/setup.sh | bash
cd ~/vibevoice-asr

2. Docker イメージをビルド

docker build -t vibevoice-asr:dgx-spark .

ビルドには数分かかります（NGC PyTorch コンテナベース）。

3. サービスを起動

バッチ ASR（Gradio UI）のみ：

docker run --gpus all --ipc=host --network=host \
    -v "$HOME/.cache/huggingface:/root/.cache/huggingface" \
    vibevoice-asr:dgx-spark

→ http://localhost:7860 でアクセス

リアルタイム ASR のみ：

docker run --gpus all --ipc=host --network=host \
    -v "$HOME/.cache/huggingface:/root/.cache/huggingface" \
    vibevoice-asr:dgx-spark \
    python -m realtime.server --host 0.0.0.0 --port 8000

→ WebSocket: ws://localhost:8000/ws/asr/{session_id}
→ テストクライアント: http://localhost:8000/static/realtime_client.html

両方を同時起動：

docker run --gpus all --ipc=host --network=host \
    -v "$HOME/.cache/huggingface:/root/.cache/huggingface" \
    vibevoice-asr:dgx-spark ./run_all.sh

使い方

Gradio UI（バッチ処理）

1. ブラウザで http://<DGX_SPARK_IP>:7860 にアクセス
2. 「Upload Audio」でファイルをアップロード、または「Record」でマイク録音
3. 「Transcribe」をクリック
4. 認識結果（テキスト、話者、タイムスタンプ）が表示される

対応フォーマット：WAV, MP3, M4A, FLAC, OGG, MKV, MP4

リアルタイム ASR（WebSocket）

ブラウザからマイク入力をストリーミングで認識：

const ws = new WebSocket('ws://localhost:8000/ws/asr/demo');

ws.onopen = () => {
  console.log('Connected');
  startAudioCapture();
};

ws.onmessage = (event) => {
  const data = JSON.parse(event.data);
  if (data.type === 'final_result') {
    console.log('認識結果:', data.text);
  } else if (data.type === 'partial_result') {
    console.log('認識中:', data.text);
  }
};

// 音声送信 (16kHz, 16-bit PCM)
function sendAudio(pcmData) {
  ws.send(pcmData.buffer);
}

WebSocket プロトコル

クライアント → サーバー

種類	形式	内容
音声データ	Binary	PCM 16-bit, 16kHz, モノラル
設定変更	JSON	{"type": "config", "config": {...}}
停止	JSON	{"type": "stop"}

サーバー → クライアント

type	説明
status	接続状態の通知
partial_result	認識中の中間結果
final_result	確定した認識結果（タイムスタンプ・話者ID付き）
vad_event	発話開始/終了イベント
error	エラー通知

レスポンス例

{
  "type": "final_result",
  "text": "こんにちは、今日の天気はいいですね。",
  "is_final": true,
  "segments": [
    {
      "start_time": 0.5,
      "end_time": 3.2,
      "speaker_id": "SPEAKER_00",
      "text": "こんにちは、今日の天気はいいですね。"
    }
  ],
  "latency_ms": 850
}

設定オプション

環境変数

変数	デフォルト	説明
VIBEVOICE_HOST	0.0.0.0	バインドするホスト
VIBEVOICE_PORT	8000	ポート番号
VIBEVOICE_MODEL_PATH	microsoft/VibeVoice-ASR	モデルパス
VIBEVOICE_DEVICE	cuda	デバイス (cuda/cpu)
VIBEVOICE_MAX_SESSIONS	10	最大同時接続数

コマンドラインオプション

オプション	デフォルト	説明
--host	0.0.0.0	バインドするホスト
--port	8000	ポート番号
--model-path	microsoft/VibeVoice-ASR	モデルパス
--device	cuda	デバイス
--max-sessions	10	最大同時接続数
--no-preload	-	モデルの事前ロードを無効化

トラブルシューティング

GPU メモリ不足

モデルは約 8GB 以上の VRAM を必要とします。メモリ不足の場合：

docker run --gpus all \
    -e PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True \
    -p 8000:8000 vibevoice-asr:dgx-spark \
    python -m realtime.server

WebSocket 接続エラー

1. ファイアウォールでポート 8000 が開いているか確認
2. CORS の問題がある場合は同一オリジンからアクセス
3. wss:// (HTTPS) 環境では別途 TLS 設定が必要

マイクが認識されない

ブラウザでマイクへのアクセス許可を確認してください。http://IPアドレス ではマイクが使えません。

→ ローカルサーバーでマイク・カメラを使う方法 を参照

性能の目安

項目	数値
モデルサイズ	約 8GB VRAM
初回ロード	10-20 秒
リアルタイム遅延	150-850 ms
対応サンプルレート	16kHz

参考リンク

• microsoft/VibeVoice — 公式リポジトリ
• NGC PyTorch Container — ベースイメージ
• DGX Spark セットアップガイド — NVIDIA 公式ドキュメント

ライセンス

VibeVoice ASR は Microsoft 社のオープンソースプロジェクトです。
ライセンスについては microsoft/VibeVoice を参照してください。