audio-cpp-sys 0.2.0

# ----------------------------------------------------------------

# audio-cpp-sys — audio.cpp (ggml 音频推理框架) 的底层 FFI 绑定。

#

# 构建流程（见 build.rs）：

#   1. 用 CMake + Ninja 构建 audio.cpp 的 engine_runtime 静态库（vendored 于 ./audio.cpp）；

#   2. 用 cc 编译 C shim（capi.cpp）为独立静态库；

#   3. 用 bindgen 为 capi.h 生成 Rust 绑定（bindings.rs）。

# ----------------------------------------------------------------



[package]

name = "audio-cpp-sys"

description = "audio.cpp（ggml 音频推理框架）的底层绑定"

version.workspace = true

edition.workspace = true

license.workspace = true

repository.workspace = true

# 声明本 crate 链接的本地库名；任何同时声明 links="audio-cpp" 的 crate 会被 Cargo 拒绝，

# 防止一个程序里出现两份 ggml/audio.cpp 导致重复符号。

links = "audio-cpp"

build = "build.rs"

# 发布到 crates.io 时需要包含的文件（audio.cpp 上游源码体积过大，由 gitignore 排除，

# 通过其余方式提供，见 README）。

include = [

    "build.rs",

    "prebuilt_download.rs",

    "capi.h",

    "capi.cpp",

    "/src",

    "/examples",

]



[build-dependencies]

bindgen.workspace = true # 从 capi.h 生成 Rust FFI 绑定

cmake.workspace = true   # 用 CMake 构建 engine_runtime

cc.workspace = true      # 编译 capi.cpp 并把 C 链接系统库交给它处理

glob.workspace = true    # 收集 OUT_DIR 下的静态库文件

flate2 = "1.0"           # prebuilt 归档解压（gzip）

tar = "0.4"              # prebuilt 归档解压（tar）

ureq = { version = "2.12", default-features = false, features = ["tls"] } # prebuilt 下载

serde_json = "1"         # prebuilt 归档 metadata.json 解析



# ------------------------------------------------------------------------

# 模型组合 feature（互斥，映射 audio.cpp 的 AUDIOCPP_MODEL_SET）。

# ------------------------------------------------------------------------

[features]

default = ["core-models"]

# 启用 prebuilt 自动下载：从 GitHub Releases 拉取与当前平台/后端/模型组合匹配的

# 预编译归档（tag 默认 v{CARGO_PKG_VERSION}，可用 AUDIOCPP_PREBUILT_TAG/REPO/URL

# 覆盖），解压缓存到 target/audio-cpp-prebuilt-cache/；找不到/下载失败/身份不符

# 时回落到本地源码构建。配合 AUDIOCPP_PREBUILT_DIR 则始终使用本地目录。

prebuilt = []

# 引擎核心 + 内置 VAD 模型（silero_vad / marblenet_vad），已随上游源码

# vendored 在 audio.cpp/assets/framework/models/，无需下载任何权重。

# 这也是编译最快、开箱即用的最小编译集，适合仅用 VAD 或验证绑定链路的场景。

core-models = []

# 全量编译 audio.cpp 支持的 44+ 模型族。注意：全量编译耗时很长且生成

# 的静态库很大；并不等于"能运行任意模型"，权重文件仍需自行下载。

# 日常建议优先用模型族 feature 或 custom-models 按需编译，只有需要一次

# 备齐全部能力时才用本项。

full-models = []

# 按需编译模式：引擎核心 + 内置 VAD + "请求的模型族"（对普通依赖方透明，

# 通常不需要直接启用它——下面的 model-* 与 AUDIOCPP_MODELS 会自动走进本模式）。

custom-models = []



# 常用模型族的专用 feature（`model-<target>`）：启用即按需编译对应族，

# 无需手设 AUDIOCPP_MODELS。Cargo 视 `-` 与 `_` 等价，故 `--features

# model-qwen3-asr` 与 `model-qwen3_asr` 均可；build.rs 会扫描被启用的

# `CARGO_FEATURE_MODEL_*`，把后缀大写→小写即为上游 CMake target 名，

# 因此新增族 feature 时无需改动 build.rs。

# 其余未列出的模型族（roformer、htdemucs、outetts、glm_tts、pocket_tts、

# sortformer_diar 等）仍用 custom-models + AUDIOCPP_MODELS 环境变量调用。

model-citrinet-asr = ["custom-models"]   # ASR：英/多语语音识别

model-fun-asr-nano = ["custom-models"]   # ASR：FunASR 轻量识别

model-hviske-asr = ["custom-models"]     # ASR：Hviske 识别

model-kroko-asr = ["custom-models"]      # ASR：Kroko 识别

model-nemotron-asr = ["custom-models"]   # ASR：NVIDIA Nemotron 识别

model-parakeet-tdt = ["custom-models"]   # ASR：NVIDIA Parakeet TDT

model-qwen3-asr = ["custom-models"]      # ASR：Qwen3 ASR（已验证）

model-sense-asr = ["custom-models"]      # ASR：SenseVoice（阿里）

model-vibevoice-asr = ["custom-models"]  # ASR：VibeVoice 语音

model-moss = ["custom-models"]           # TTS：MOSS（moss_tts_nano / moss_tts_local，已验证）

model-qwen3-tts = ["custom-models"]      # TTS：Qwen3 TTS

model-irodori-tts = ["custom-models"]    # TTS：Irodori TTS

model-fish-audio = ["custom-models"]     # TTS/Voice：Fish Speech/Cloning

model-demucs = ["custom-models"]          # 音频分离：Demucs 源分离（alias htdemucs）

model-roformer = ["custom-models"]        # 音频分离：Mel-Band RoFormer 源分离（alias mel_band_roformer）

model-sortformer-diar = ["custom-models"] # 说话人分离：SortFormer Diar 4spk



# ------------------------------------------------------------------------

# 计算后端 feature（可叠加，映射 engine 的 ENGINE_ENABLE_*_CPU 选项）。

# 不启用任何 GPU 后端时使用 CPU 推理（ggml 默认）。

# ------------------------------------------------------------------------

cuda = []    # NVIDIA CUDA。需要已安装 CUDA Toolkit（nvcc、cudart）且手工

             # 配置好构建环境；开启后 ggml 的 CUDA 算子参与推理。

hip = []     # AMD HIP/ROCm（针对 Radeon/Instinct GPU）。需要 ROCm 工具链。

             # 与 cuda 互斥：上游 CMake 同时启用会报错，勿同时开启。

vulkan = []  # Vulkan 通用计算后端。需要 Vulkan SDK 与驱动；跨厂商（NVIDIA/

             # AMD/Intel）通用，但算子覆盖/性能通常不如专属后端。

metal = []   # Apple Metal。注意：macOS 上默认即开启，无需手动启用；

             # 在非 Apple 平台（如 win32）默认关闭，需设环境变量

             # AUDIOCPP_FORCE_METAL 才会强制开启（一般用于交叉实验）。

openmp = []  # OpenMP 并行加速。依赖 OpenMP 运行时：MSVC 需 /openmp 运行时

             # 库、GCC/Clang 需 libgomp；未安装对应运行时则链接期报错，

             # 此时应关掉本 feature 而非忽略错误。

native = []  # 针对本机 CPU 生成优化指令（对应 GGML_NATIVE，如 AVX2/

             # FMA/AVX512）。能提升推理速度，但产出的二进制不再移植到旧 CPU，

             # 若二进制的目标机与构建机不同，请不要开启。



# 继承工作区 lint 规则（见仓库根 Cargo.toml [workspace.lints]）

[lints]

workspace = true