update README

README.md

@@ -6,7 +6,7 @@ GPT-SoVITS 模型是一个集成了语音转换和文本转语音功能的先进
 Kokoro 是由 hexgrad 团队开发并开源的轻量级、高性能文本转语音（TTS）模型。
 F5-TTS 模型由上海交通大学团队发布，是基于扩散 Transformer 和 ConvNeXt V2 的文本转语音（TTS）模型。
 
-## GPT-SoVITS 模型测试服务原理
+<!-- ## GPT-SoVITS 模型测试服务原理
 
 使用 GPT-SoVITS 框架内置的类 TTS 和 TTS_Config。
 其中 TTS_Config 封装了 GPT-SoVITS 模型运行所需的全部配置参数；TTS 类是 GPT-SoVITS 模型的高层封装，整合了模型加载、文本处理、语音生成等全流程逻辑。
@@ -107,16 +107,18 @@ if response.status_code == 200:
     print("音频保存成功：output.pcm")
 else:
     print(f"请求失败：{response.status_code}，{response.text}")
-```
+``` -->
 
 ## 如何使用语音合成模型测试框架
-代码实现了一个接收音频数据并返回识别文本的语音识别 HTTP 服务，并基于 corex:3.2.1 基础镜像，将该 HTTP 服务重新打包成 docker 镜像，通过 k8s 集群sut容器去请求这个 HTTP 服务。
+代码实现了一个接收音频数据并返回识别文本的语音识别 HTTP 服务，将该 HTTP 服务重新打包成 docker 镜像，通过 k8s 集群sut容器去请求这个 HTTP 服务。
 
 ## 寒武纪MLU370系列上语音合成模型运行测试结果
 在寒武纪MLU370系列上对部分语音合成模型进行适配，测试方式为在 Nvidia A100 和 寒武纪MLU370系列加速卡上对同一段text进行语音合成任务，获取运行时间
 
-| 模型名称   | 模型类型               | 适配状态 | 天垓100运行时间/s | Nvidia A100运行时间/s |
+| 模型名称   | 模型类型               | 适配状态 | 寒武纪MLU370-X8运行时间/s | 寒武纪MLU370-X4运行时间/s | Nvidia A100运行时间/s |
-| ---------- | ---------------------- | -------- | ----------------- | --------------------- |
+| ---------- | ---------------------- | -------- | ----------------- | --------------------- | --------------------- |
-| kokoro     | StyleTTS 2, ISTFTNet   | 成功     | 0.2               | 0.1                   |
+| kokoro     | StyleTTS 2, ISTFTNet   | 成功     | 2.5                | 2.2                   | 5.4                   |
-| f5-TTS     | DiT, ConvNeXt V2       | 成功     | 0.5               | 0.2                   |
+| f5-TTS     | DiT, ConvNeXt V2       | 成功     | 39.1               | 32.1                  | 5.4                   |
-| gpt-sovits | VITS                   | 成功     | 0.9               | 0.4                   |
+| gpt-sovits | VITS                   | 成功     | 28.8               | 27.2                  | 20.5                  |
+| matcha     | OT-CFM, Transformer    | 成功     | 2.5                | 2.1                   | 3.1                   |
+| piper      | -                      | 成功     | 0.8                | 0.7                   | 1.9                   |

mlu_370-f5-tts/README.md

@@ -15,8 +15,8 @@ docker build -t tts:f5 . -f Dockerfile_f5
 ```bash
 docker run -it --rm \
   -v /models/F5-TTS_Emilia-ZH-EN:/mnt/models \
-  -v /dev:/dev \
+  --device=/dev/cambricon_dev0:/dev/cambricon_dev0 \
-  --device=/dev/iluvatar0:/dev/iluvatar0 \
+  --device=/dev/cambricon_ctl:/dev/cambricon_ctl \
   -p 8080:80 \
   -e MODEL_DIR=/mnt/models \
   -e MODEL_NAME=model_1250000.safetensors \
@@ -27,7 +27,7 @@ docker run -it --rm \
 - `MODEL_DIR`：模型所在目录（挂载到容器内 `/mnt/models`）
 - `MODEL_NAME`：加载的模型文件名（通常为 `.safetensors`）
 - `-p 8080:80`：将容器内服务端口映射到宿主机 `8080`
-- `--device=/dev/iluvatar0:/dev/iluvatar0`：指定推理设备（如 GPU/加速卡）
+
 
 ### 3. 测试服务
 ```bash