vllm-omni 基准测试：SeedTTS 测试数据集下载与预处理实战指南

vllm-omni 基准测试：SeedTTS 测试数据集下载与预处理实战指南

【免费下载链接】vllm-omniA framework for efficient model inference with omni-modality models项目地址: https://gitcode.com/GitHub_Trending/vl/vllm-omni

导读

本文是 vllm-omni 仓库中 download_process_data_seedtts.md 的完整展开版。它讲解如何从 Google Drive 下载 SeedTTS 评测数据集、解压并整理出meta.lst元数据文件，再通过仓库自带的extract_tts_prompts.py提取出供 TTS 基准测试使用的 prompt 列表。读完本文，你将掌握：完整的 SeedTTS 数据集准备流程、meta.lst各字段格式的精确定义、仓库内多种自带数据变体的适用场景，以及准备后的数据如何接入vllm bench serve --omni的seed-tts/seed-tts-text/seed-tts-design三条 TTS 基准测试链路。

一、为什么需要准备 SeedTTS 数据集

vllm-omni 的 TTS 通用基准测试（benchmarks/tts/bench_tts.py与vllm bench serve --omni）支持 Qwen3-TTS（Base / CustomVoice / VoiceDesign）、VoxCPM2 等模型的性能与质量评测。其中voice_clone任务（Qwen3-TTS-Base、VoxCPM2）使用seed-tts数据集，即来自 BytedanceSpeech seed-tts-eval 评测集的全量语料（约 1.2 GB，包含meta.lst与prompt-wavs参考音频）；default_voice与voice_design任务则直接使用仓库内自带的小型文本变体。

完整语料并不随仓库分发，需要先按本文流程下载、解压、整理，然后把它作为--dataset-path指向的本地根目录传入基准工具（详见 benchmarks/tts/README.md 的数据集表格与说明）。

二、前置条件

• Python 3.8+：运行extract_tts_prompts.py及后续基准脚本所需；
• gdown：用于从 Google Drive 下载数据集压缩包（本文第三步会安装）；
• 可访问 Google Drive：数据集托管在 Google Drive 上；
• 仓库中的基准脚本：即benchmarks/build_dataset/extract_tts_prompts.py，克隆仓库后即可使用。

三、分步操作指南

1. 进入数据集构建目录

cd benchmarks/build_dataset

该目录位于仓库根目录下，同时存放着extract_tts_prompts.py与多个自带数据子目录（seed_tts_smoke/、seed_tts_design/、ttsd_smoke/、sound_effect_smoke/），结构可查看 benchmarks/build_dataset。

2. 安装依赖

pip install gdown

gdown是 Google Drive 文件下载工具，支持通过文件 ID 直接拉取公开文件。

3. 下载 SeedTTS 测试数据集

gdown 1GlSjVfSHkW3-leKKBlfrjuuTGqQ_xaLP

该命令会下载seedtts_testset.tar压缩包（内含seedtts_testset/目录）。文件 ID1GlSjVfSHkW3-leKKBlfrjuuTGqQ_xaLP对应的是用于 TTS 基准测试的评测集归档，与benchmarks/tts/README.md中seed-tts（4 字段 meta.lst + WAV 参考音频，约 1.2 GB）这一数据集项一致。

4. 解压数据集

tar -xf seedtts_testset.tar

解压后应得到形如seedtts_testset/<locale>/meta.lst与seedtts_testset/<locale>/prompt-wavs/的目录结构。其中<locale>即语言子目录（如en）。从源码看，数据集加载器正是按{root}/{locale}/meta.lst与{root}/{locale}/prompt-wavs/的布局来定位文件（见 vllm_omni/benchmarks/data_modules/seed_tts_dataset.py 的resolve_seed_tts_root与 seed_tts_dataset.py 的load_data），因此请保持解压后的目录结构不被改动。

5. 准备元数据文件

将英文元数据文件复制到工作目录：

cp seedtts_testset/en/meta.lst meta.lst

meta.lst是数据集的“索引文件”，每行描述一条测试样本。基准测试会读取该文件并据此构造请求（详见第五节字段格式）。若需要使用中文评测集，可类似地复制seedtts_testset/zh/meta.lst，并在后续基准命令中通过--seed-tts-locale zh指定。

6. 提取 Prompt 列表

# 提取前 100 条 prompt（调整 -n 可提取不同数量） python extract_tts_prompts.py -i meta.lst -o top100.txt -n 100

该脚本读取meta.lst，从每行的**第二个字段（prompt 文本）**中提取内容，输出为每行一条 prompt 的纯文本文件。脚本实现在 extract_tts_prompts.py 中，核心逻辑如下：

• 逐行读取输入文件，跳过空行；
• 以|分割，取索引为 1 的字段（parts[1]）作为 prompt；
• 处理到第num_lines行即停止；
• 将结果逐行写入输出文件，并打印统计信息Extracted {n} prompts from first {m} lines与输出路径。

命令行参数：

此外脚本在入口处会校验输入文件是否存在，不存在时打印Error: Input file '...' not found并直接返回（见 extract_tts_prompts.py），因此请务必先完成第 5 步。

7. 清理临时文件（可选）

rm -rf seedtts_testset rm seedtts_testset.tar rm meta.lst

评测集归档与解压目录体积较大（约 1.2 GB 级别），在提取出 prompt 列表后可删除以释放磁盘空间。若后续还需要运行voice_clone基准（需要参考音频），则应保留seedtts_testset/与meta.lst，因为基准测试会读取其中的 WAV 文件构造ref_audio请求体。

四、一键快速开始（All-in-One）

以下命令串起“下载 → 解压 → 整理 → 提取 → 清理”全流程：

# 完整设置并准备基准输入 cd benchmarks/build_dataset pip install gdown gdown 1GlSjVfSHkW3-leKKBlfrjuuTGqQ_xaLP tar -xf seedtts_testset.tar cp seedtts_testset/en/meta.lst meta.lst python extract_tts_prompts.py -i meta.lst -o top100.txt -n 100 rm -rf seedtts_testset seedtts_testset.tar meta.lst

执行完成后，benchmarks/build_dataset/top100.txt即为可直接供下游脚本消费的 100 条 prompt 文件。

五、meta.lst 格式深度解析

理解meta.lst的字段格式是正确准备与使用数据集的根本。从 vllm_omni/benchmarks/data_modules/seed_tts_dataset.py 的模块文档与_parse_meta_line实现（seed_tts_dataset.py）可以确认，seed-tts-eval 风格的 4 字段格式为：

utt_id|prompt_transcript|prompt_wav_relative_path|text_to_synthesize

解析器的行为细节同样值得注意：

• 空行与以#开头的注释行会被直接跳过（seed_tts_dataset.py）；
• 字段数少于 4 的行会被判定为畸形并跳过，同时打印Skipping malformed meta.lst line警告；
• 目标文本为空的样本会被过滤（seed_tts_dataset.py）；
• 加载后可选的洗牌由random_seed（默认 0）控制，关闭洗牌可用disable_shuffle（seed_tts_dataset.py）。

仓库自带数据与全量数据集遵循同一格式家族，可作为快速上手或 CI 冒烟测试的替代输入（详见下一节）。

六、仓库自带的多种数据集变体

benchmarks/build_dataset/目录下随仓库分发了几组轻量级meta.lst，无需下载即可用于冒烟测试或功能验证：

其中seed_tts_design的 5 字段格式是在 4 字段基础上追加音色设计描述（instructions），用于VoiceDesign任务的零样本音色指令合成。相关解析与校验逻辑可参考测试 tests/benchmarks/test_seed_tts_dataset_variants.py：字段数不足 5 的行会被过滤，缺少描述的行会被拒绝。

七、与 vllm bench serve 的衔接

准备完成的数据集最终要接入 TTS 基准测试。以voice_clone任务为例，完整命令（见 benchmarks/tts/README.md）：

vllm bench serve --omni \ --host 127.0.0.1 --port 8000 \ --model Qwen/Qwen3-TTS-12Hz-1.7B-Base \ --backend openai-audio-speech \ --endpoint /v1/audio/speech \ --dataset-name seed-tts \ --dataset-path /path/to/seed-tts-eval \ --seed-tts-locale en \ --num-prompts 20 --num-warmups 2 \ --extra-body '{"task_type":"Base"}' \ --max-concurrency 1 --request-rate inf \ --percentile-metrics ttft,e2el,audio_rtf,audio_ttfp,audio_duration,audio_underrun \ --save-result --result-dir ./results

关键衔接点：

• --dataset-path指向本文解压出的seedtts_testset目录（源码中resolve_seed_tts_root会按{root}/{locale}/meta.lst布局解析，见 seed_tts_dataset.py）；
• --dataset-name seed-tts对应 4 字段 + WAV 的全量格式；若使用seed_tts_smoke这种纯文本变体，则改用--dataset-name seed-tts-text；
• --seed-tts-locale en选择语言子目录（en或zh）；
• 默认情况下参考音频会以data:audio/wav;base64,...内联进请求体，因此服务端无需--allowed-local-media-path；如需减小请求体，可改用file://形式并给服务端配置媒体路径白名单（seed_tts_dataset.py）。

仓库数据集对应关系总结（摘自 benchmarks/tts/README.md）：

八、常见问题与注意事项

1. gdown下载失败或网络不可达：数据集托管在 Google Drive，需要可访问的下载环境；下载完成后可先ls seedtts_testset/确认目录结构完整再继续解压后的步骤。
2. FileNotFoundError: Seed-TTS meta not found：通常是--dataset-path指向的根目录下缺少{locale}/meta.lst，或解压后目录结构被改动，请对照第五节的布局检查。
3. 提取数量与基准规模匹配：extract_tts_prompts.py的-n决定提取条数，基准命令的--num-prompts决定实际发送的请求数，两者可按需配合（如先提取 200 条，基准时只跑 20 条用于快速验证，200 条用于质量评估）。
4. 清理时机：仅需文本 prompt 时可在提取后删除归档与解压目录；但voice_clone（seed-tts）与 WER/SIM/UTMOS 质量评估需要参考 WAV 与转写，务必在完成这些基准后再清理。
5. 语音克隆任务的模型限制：-CustomVoice检查点不携带speaker_encoder权重，voice_clone 请求会在模型运行时抛出ValueError，因此 voice_clone 必须使用-Base检查点（见 benchmarks/tts/README.md）。

九、参考与延伸

• 数据集准备流程：本指南对应的仓库原文 download_process_data_seedtts.md
• Prompt 提取脚本实现：extract_tts_prompts.py
• TTS 通用基准测试总览与数据集映射：benchmarks/tts/README.md
• 数据集加载器（meta.lst 解析、locale 布局、内联音频）：vllm_omni/benchmarks/data_modules/seed_tts_dataset.py
• 质量评估协议（WER/SIM/UTMOS）：vllm_omni/benchmarks/data_modules/seed_tts_eval.py
• 数据集变体行为测试：tests/benchmarks/test_seed_tts_dataset_variants.py

完成数据准备后，即可将--dataset-path指向解压出的seedtts_testset目录，配合vllm bench serve --omni运行端到端的 TTS 吞吐、延迟与音质基准测试。

【免费下载链接】vllm-omniA framework for efficient model inference with omni-modality models项目地址: https://gitcode.com/GitHub_Trending/vl/vllm-omni