在提交新问题之前，请确保您已经在社区中搜索过相关问题，并使用了社区中提供的资源/工具后，仍未找到满意的解决方式。

问题描述

CosyVoice3 在昇腾环境进行数据预处理或微调训练时，音频加载失败。

原因链条：

1. examples/cosyvoice3/requirements.txt 固定 torchaudio==2.10.0；
2. torchaudio 2.10 的 load() 忽略 backend 参数，始终通过 TorchCodec 解码；
3. PyPI 上的 torchcodec wheel 按 CUDA 版 torch 链接，依赖 libnvrtc.so.13、libcudart.so.13、libc10_cuda.so、libtorch_cuda.so；
4. 昇腾环境安装的是 CPU 版 torch（如 torch-2.10.0+cpu），不存在这些库，加载必然失败。

受影响的调用点共 3 处：

• examples/cosyvoice3/preprocess/extract_embedding.py
• examples/cosyvoice3/preprocess/extract_speech_token.py（该行虽指定 backend='soundfile'，但 torchaudio 2.10 已忽略此参数，不生效）
• mindspeed_mm/fsdp/data/datasets/cosyvoice3/cosyvoice_dataset.py（训练时数据加载）

错误日志

OSError: libnvrtc.so.13: cannot open shared object file: No such file or directory

File ".../torchaudio/__init__.py", line 86, in load
  return load_with_torchcodec(
File ".../torchcodec/_core/ops.py", line 35, in <module>
  load_image_library()
File ".../torch/_ops.py", line 1444, in load_library
  raise OSError(f"Could not load this library: {path}") from e

环境信息

Ascend 910B2，CANN 9.1.0，Python 3.12.14，torch==2.10.0+cpu，torch-npu==2.10.0.post4

建议的替代/修复方案

将 3 处 torchaudio.load 调用替换为 soundfile 读取（soundfile 已在 examples/cosyvoice3/requirements.txt 中，无新增依赖），并通过转置保持原有 [channel, time] 张量布局，下游逻辑不变。

修复见：https://gitcode.com/Ascend/MindSpeed-MM/pull/3081