环境部署参照https://developer.sourcefind.cn/codes/modelzoo/qwen3-asr_pytorch里面操作步骤，项目下载链接为：https://developer.sourcefind.cn/codes/modelzoo/qwen3-asr_pytorch/-/archive/main/qwen3-asr_pytorch-main.zip。下载链接：htt

本文详细记录了在海光K100_AI国产DCU环境（Ubuntu 22.04 + DTK 26.04）中部署FunASR热词语音识别与说话人日志融合系统的完整过程。系统基于Gradio构建Web界面，同时支持SeACo-Paraformer（专注热词定制的普通ASR）和Fun-ASR-Nano（原生支持热词+说话人日志的轻量化模型）两大模型体系。文章重点阐述了热词机制在ASR识别中的核心价值——尤其

摘要： 本文介绍了在海光K100_AI（DCU，gfx928架构）上部署快手开源的多模态大模型Keye-VL-2.0-30B-A3B的完整流程。由于国产GPU生态支持不足，选择llama.cpp作为唯一可行的部署方案。通过修改系统头文件、调整内核线程配置（将1024线程改为256）、禁用FlashAttention和MFMA指令等关键步骤，成功解决了编译和运行中的兼容性问题。最终模型以约4.5 t

本文基于海光DCU K100_AI国产算力平台（单卡64GB显存），部署Qwen3-ASR-1.7B与Qwen3.5-9B双模型，结合Windows端Everything搜索引擎，构建了一套语音驱动的智能文件检索系统。用户通过麦克风说出自然语言指令，系统经实时VAD静音检测后由ASR模型转录为文本，再由大模型自动生成Everything高级查询语法并调用本地SDK完成毫秒级文件搜索，最终在GUI中

本文详细记录了在海光K100_AI国产DCU环境（Ubuntu 22.04 + DTK 26.04）中部署FunASR热词语音识别与说话人日志融合系统的完整过程。系统基于Gradio构建Web界面，同时支持SeACo-Paraformer（专注热词定制的普通ASR）和Fun-ASR-Nano（原生支持热词+说话人日志的轻量化模型）两大模型体系。文章重点阐述了热词机制在ASR识别中的核心价值——尤其

环境部署参照https://developer.sourcefind.cn/codes/modelzoo/qwen3-tts_pytorch里面操作步骤，项目下载链接为：https://developer.sourcefind.cn/codes/modelzoo/qwen3-tts_pytorch/-/archive/master/qwen3-tts_pytorch-master.zip。利用HT

post_id=3563caba-356c-11f1-be71-0242ac150003里面操作步骤，项目下载链接为：https://developer.sourcefind.cn/codes/modelzoo/qwen3-omni_vllm/-/archive/v1.0/qwen3-omni_vllm-v1.0.zip。（4）进入循环：每轮解析模型返回的<box>标签获取边界，用ffmpeg精确

环境部署参照https://developer.sourcefind.cn/codes/modelzoo/qwen3-asr_pytorch里面操作步骤，项目下载链接为：https://developer.sourcefind.cn/codes/modelzoo/qwen3-asr_pytorch/-/archive/main/qwen3-asr_pytorch-main.zip。下载链接：htt