安装基础依赖包

pip3 install pydub
pip3 install loguru
pip3 install pandas

安装docx依赖

① 先用 apt 装系统 lxml（通常是有的）

sudo apt update

sudo apt install -y python3-lxml

② 再用 pip 装 python-docx（不装依赖）

pip3 install python-docx --no-deps

👉 因为：

• python-docx 本身是 纯 Python

• 依赖只有 lxml

• 我们已经提前解决了 lxml

安装LibreOffice

如果这台 sophon 机器允许装软件，直接：

sudo apt install -y libreoffice

或者精简一点（只要转 PDF）：

sudo apt install -y libreoffice-writer

验证：

which libreoffice 
libreoffice --version

正常安装特别慢，建议换国内 ARM 镜像源（立刻提速）

ports.ubuntu.com 在国内基本必慢，
必须换成 清华 / 阿里 / 中科大 ARM ports 镜像。

⭐ 推荐：清华 TUNA（ARM 支持最好）

1️⃣ 备份原 sources.list

sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak

---

2️⃣ 替换为清华 ARM ports 源

sudo nano /etc/apt/sources.list

全部替换为：

deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ focal main universe multiverse restricted
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ focal-updates main universe multiverse restricted
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ focal-security main universe multiverse restricted

保存退出。

---

3️⃣ 更新 + 继续安装（断点续下）

sudo apt clean
sudo apt update
sudo apt install -y libreoffice-writer

⚠️ 强烈建议用 libreoffice-writer，别装全家桶 libreoffice

• 转 docx → pdf 只需要 writer

• 体积小很多（但还是不小）

👉 一般会从 kB/s → MB/s

安装字体

解压目录下的字体

unzip SourceHanSansSC.zip

sudo mkdir -p /usr/share/fonts/source-han-sans
sudo cp SourceHanSansSC/*.otf /usr/share/fonts/source-han-sans/

3️⃣ 刷新字体缓存（非常关键）

sudo fc-cache -fv

4️⃣ 验证系统是否识别成功

fc-list | grep "Source Han Sans"

改源码

算能盒子应为cpu与tpu算力瓶颈，跑正常音频偶尔会崩溃

需要手动限制，核心逻辑是❌ 不能一次性喂超长文本给 punc bmodel（>684）

按ctrl点击进去AutoModel函数，进行源码改造：

按住ctrf + F 查找 “ step.3 compute punc model ”相关代码片段

step.3 compute punc model

使用以下改造好的代码片段进行整段替换：

# step.3 compute punc model (SAFE for long text on BM1684X)
            raw_text = None
            punc_res = None  # ✅ 必须保留这个变量名

            if self.punc_model is not None:
                deep_update(self.punc_kwargs, cfg)

                # MAX_PUNC_LEN = 600   # 必须 < 684，留安全余量
                MAX_PUNC_LEN = 300   # 必须 < 684，留安全余量
                text = result["text"]

                full_text = ""
                full_punc_array = []

                offset = 0
                for i in range(0, len(text), MAX_PUNC_LEN):
                    sub_text = text[i:i + MAX_PUNC_LEN]

                    # 单段跑 punc
                    punc_res_i = self.inference(
                        sub_text,
                        model=self.punc_model,
                        kwargs=self.punc_kwargs,
                        **cfg
                    )

                    # 1️⃣ 拼 text
                    sub_text_punc = punc_res_i[0]["text"]
                    full_text += sub_text_punc

                    # 2️⃣ 拼 punc_array（⚠️ 必须）
                    sub_punc_array = punc_res_i[0].get("punc_array", [])
                    full_punc_array.extend(sub_punc_array)

                # 保留 raw_text（后面 speaker / timestamp 要用）
                raw_text = copy.copy(text)
                if return_raw_text:
                    result["raw_text"] = raw_text

                # 重新构造一个“完整的 punc_res”
                punc_res = [{
                    "text": full_text,
                    "punc_array": full_punc_array,
                }]

                result["text"] = full_text

超长高密度音频便可正常运行

此方法亦适用与于cpu与gpu算力受限设备上