Trading Studio

本地量化交易复盘 → B 站长视频配音生产流水线

Trading Studio 是一套运行在 Ubuntu 物理服务器（RTX 3060 Ti）上的自动化配音系统，专为数字资产量化交易员设计。通过「盲录碎碎念 → 本地 GPU 识别 → 局域网大模型严厉润色 → 本地 GPU 声音克隆」的闭环，高效产出 B 站反思类长视频配音，辅助交易纪律的自我进化。

Git 仓库： https://git.bz121.com/dekun/Trading_Studio.git

---

系统定位

环节	技术栈	运行位置
碎碎念录音转写	Faster-Whisper (CUDA float16)	本地 3060 Ti
纪律审判式润色	Gemma4 Abliterated @ Ollama	局域网 192.168.8.64
固定音色配音	ChatTTS (CUDA)	本地 3060 Ti
Web 中控	Gradio	端口 5683

---

架构说明

┌─────────────────────────────────────────────────────────────┐
│                    Gradio 中控 (app.py:5683)                 │
├──────────────┬──────────────────────┬───────────────────────┤
│  音色锁定     │   音频识别            │   润色 + 合成          │
│ tts_service  │  whisper_service     │ llm_service           │
│              │                      │ tts_service           │
└──────┬───────┴──────────┬───────────┴──────────┬────────────┘
       │                  │                      │
       ▼                  ▼                      ▼
  speaker_emb.pt    Faster-Whisper          Ollama HTTP
  (本地持久化)       CUDA / small            192.168.8.64:11434
                                            gemma-4-abliterated

模块解耦

文件	职责
config.py	Ollama 地址、模型名、Prompt、路径等全局配置
whisper_service.py	Faster-Whisper CUDA 转写
llm_service.py	远程 Ollama HTTP 非流式润色
tts_service.py	ChatTTS 音色提取与 wav 合成
app.py	Gradio 前端与流程编排

---

快速开始

完整环境配置请参阅 DEPLOY.md

一键部署（生产环境推荐）

以 root 用户部署到 /opt/Trading_Studio 并由 PM2 常驻：

sudo -i
git clone https://git.bz121.com/dekun/Trading_Studio.git /opt/Trading_Studio
cd /opt/Trading_Studio
chmod +x deploy.sh
bash deploy.sh

浏览器访问：http://<服务器IP>:5683

首次部署后必做 — 预下载 AI 模型（内网服务器无外网时必需，否则 Whisper 报 Network is unreachable）：

cd /opt/Trading_Studio
bash scripts/download_all_models.sh
pm2 restart trading_studio

日常更新（代码已 git push 到远端后，在服务器执行）：

cd /opt/Trading_Studio
bash server-update.sh

若更新涉及模型脚本或首次部署，追加：

bash scripts/download_all_models.sh
pm2 restart trading_studio

完整说明见 DEPLOY.md §0.4.2 / §0.8。

手动部署（开发调试）

git clone https://git.bz121.com/dekun/Trading_Studio.git /opt/Trading_Studio
cd /opt/Trading_Studio
python3 -m venv venv
source venv/bin/activate
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
pip install -r requirements.txt
python app.py

---

使用流程

配音音色（全部本地 GPU，无需 API）

方式	说明
我的锁定音色	「音色锁定」上传你的人声 → 声音克隆（speaker_emb.pt）
预设男/女声	ChatTTS 内置说话人，合成页下拉选择（类似微软音色列表）

首次使用预设音色（服务器执行一次）：

bash scripts/generate_voice_presets.sh
pm2 restart trading_studio

首次使用：锁定音色（可选，用于克隆自己的声音）

1. 进入 「音色锁定」 标签页
2. 上传 10-30 秒干净人声参考（你的碎碎念盲录样本）
3. 填写参考音频的精确转写（强烈建议）
4. 点击 锁定音色 → 生成 speaker_emb.pt

日常生产

方式 A — 分步操作：

1. 音频极速识别：上传复盘录音 → Whisper 转写
2. Gemma4 纪律审判：一键润色，生成逻辑清晰、语气严厉的反思稿
3. ChatTTS 合成：输出 24kHz .wav 成品配音

方式 B — 一键生产：

上传录音后点击 启动全流程，系统自动串联三步。

---

核心配置（config.py）

配置项	默认值
中控端口	5683（0.0.0.0 局域网可访问）
Ollama 地址	http://192.168.8.64:11434
模型名称	huihui_ai/gemma-4-abliterated:e4b
Whisper 模型	small / CUDA / float16，本地路径 models/whisper/small/
ChatTTS 模型	models/ChatTTS/（须预下载脚本）
HF 镜像	HF_ENDPOINT=https://hf-mirror.com（.env 可改）
音色文件	speaker_emb.pt
音频输出	outputs/ 目录

---

PM2 守护运行

标准路径 /opt/Trading_Studio，root 用户：

# 一键部署 + PM2 启动（推荐）
cd /opt/Trading_Studio && bash deploy.sh

# 或手动 PM2
pm2 start ecosystem.config.js

# 常用管理
pm2 status
pm2 logs trading_studio
bash deploy.sh restart      # 重启
bash deploy.sh update       # 拉代码 + 更新依赖 + 重启
pm2 save && pm2 startup     # 开机自启（deploy.sh 已自动配置）

---

.gitignore 配置

提交 Git 时请确保忽略以下产物（已在 .gitignore 中预设）：

venv/
*.wav
*.pt
*.log
uploads/
outputs/

说明：

• venv/ — Python 虚拟环境，每台机器独立创建
• *.wav — 录音与合成音频，体积大且含隐私
• *.pt — ChatTTS 音色 Embedding 与模型权重
• *.log — 运行日志

---

目录结构

Trading_Studio/
├── deploy.sh              # 一键部署脚本（/opt + PM2）
├── server-update.sh       # 强制同步远端 main + PM2 重启
├── app.py                 # Gradio 主入口
├── config.py              # 全局配置（Ollama 等请用 .env 覆盖）
├── whisper_service.py     # Whisper CUDA 识别（优先本地模型）
├── llm_service.py         # Ollama 远程润色
├── tts_service.py         # ChatTTS 音色与合成（优先本地模型）
├── scripts/
│   ├── download_all_models.sh      # Whisper + ChatTTS 一键下载
│   ├── download_whisper_models.sh
│   └── download_chattts_models.sh
├── models/                # AI 模型（预下载，不入 Git）
│   ├── whisper/small/
│   └── ChatTTS/
├── ecosystem.config.js    # PM2 守护配置
├── requirements.txt       # Python 依赖
├── .env.example           # 服务器本地配置模板 → 复制为 .env
├── README.md              # 本文件
├── DEPLOY.md              # 部署指南（含模型预下载、故障排查）
├── PWA_NPS.md             # HTTPS / NPS 穿透 / 手机麦克风教程
├── .gitignore
├── speaker_emb.pt         # 音色文件（运行时生成，不入库）
├── uploads/               # 上传临时目录
└── outputs/               # 合成 wav 输出

生产标准路径： /opt/Trading_Studio

---

硬件要求

• GPU： NVIDIA RTX 3060 Ti（8GB 显存，建议锁定 120W 功耗墙）
• 系统： Ubuntu 22.04 / 24.04 LTS
• CUDA： 12.1+（与 PyTorch cu121 匹配）
• 局域网： 可访问 192.168.8.64:11434 的 Ollama 节点

---

常见问题

Q: Whisper 报 Network is unreachable？
A: 内网服务器无法访问 HuggingFace。执行 bash scripts/download_whisper_models.sh small，确认 models/whisper/small/model.bin 存在后 pm2 restart trading_studio。详见 DEPLOY.md §0.8。

Q: Whisper 报 CUDA 错误？
A: 确认 nvidia-smi 正常，且未同时运行其他占显存任务。Whisper 使用 float16 已针对 8GB 优化。可在 .env 设置 WHISPER_MODEL_SIZE=base 并重新下载。

Q: ChatTTS 报 GitHub / 下载超时？
A: 执行 bash scripts/download_chattts_models.sh，或一键 bash scripts/download_all_models.sh。

Q: Ollama 连接失败？
A: 在服务器上执行 curl http://192.168.8.64:11434/api/tags 验证连通性，确认模型已 ollama pull。Ollama IP 写在 .env 的 OLLAMA_HOST。

Q: 手机显示「找不到麦克风」？
A: http://内网IP:5683 非 HTTPS，浏览器禁用麦克风。请按 PWA_NPS.md 配置 HTTPS 域名，或改用 Web UI 「上传」 录音文件。

Q: TTS 音色不稳定？
A: 重新锁定音色，填写参考音频精确转写，并保持 temperature=0.3 低随机性。

Q: 合成报 Corrupt input data？
A: 音色参数格式问题。删除 speaker_emb.pt，重新锁定音色并填写参考音频精确转写。详见 DEPLOY.md §10.5。

Q: 合成音频为空或噪声？
A: 检查润色文本长度（过短可能导致异常），确认 speaker_emb.pt 存在且有效。

---

License

Private — 仅供个人量化交易复盘使用。