执行摘要

• 一句话：为多模态音频重采样添加 torchaudio 后端并设为默认，提升性能与健壮性。
• 推荐动作：这是一个值得精读的 PR。其设计决策值得学习：
  1) 选择已声明依赖作为默认以避免可选依赖膨胀；
  2) 通过 lru_cache 实现重采样器实例复用以提升性能；
  3) 在构造函数中进行前置校验以尽早暴露错误；
  4) 在并发敏感路径上主动控制线程状态。虽然变更范围集中，但对默认行为的改变影响广泛，其测试策略（性能对比、模型影响验证）也值得借鉴。

功能与动机

根据 PR body，此变更旨在将 torchaudio 设为 AudioResampler 的默认后端，而非在启动时进行可配置。核心动机是利用 torchaudio 相较于 PyAV 的性能优势（在多种测试用例中快 1.6-4.7 倍），同时因为 torchaudio 是 vLLM 的已声明依赖（在 requirements/cuda.txt 等文件中），而非像 soxr 那样是可选依赖（vllm[audio]），因此更适合作为默认选项。此举避免了可选包成为关键路径的依赖，保证了标准安装的可用性。

实现拆解

1. 添加 torchaudio 后端核心实现：在 vllm/multimodal/audio.py 中新增 _get_torchaudio_resampler 和 resample_audio_torchaudio 函数。前者使用 @lru_cache 装饰器缓存 torchaudio.transforms.Resample 实例，避免为每对采样率重复构建昂贵的 sinc 内核。后者负责实际的重采样逻辑，将 NumPy 音频数组转换为 PyTorch 张量，调用缓存的重采样器，并确保在单线程环境下运行以避免后续多进程操作中的线程状态污染（OpenMP/oneDNN）。新增了对 torchaudio 的可选导入。
2. 将 torchaudio 集成为默认重采样后端：修改 AudioResampler 类的 method 参数类型和默认值，使其支持 "torchaudio" 并设为默认。同时，将参数校验逻辑从 resample 方法提前到 __init__ 方法，实现“快速失败”。在 resample 方法中添加了 "torchaudio" 分支。
3. 更新上层解析器默认配置：修改 vllm/multimodal/parse.py 中的 MultiModalDataParser 类，将其 audio_resample_method 参数的类型和默认值从 "pyav" 更新为 "torchaudio"，并更新了相关文档字符串。
4. 补充全面的单元测试：在 tests/multimodal/test_audio.py 中新增了 7 个测试函数，覆盖了新后端的基本功能、非整数采样率比、多声道处理、短输入无需填充、缓存行为以及默认配置验证等关键场景，确保实现正确性。

关键文件：

• vllm/multimodal/audio.py（模块 音频处理；类别 source；类型 core-logic；符号 _get_torchaudio_resampler, resample_audio_torchaudio, AudioResampler）: 核心变更文件，实现了新的 torchaudio 重采样后端和内核缓存，并修改了 AudioResampler 的默认行为和校验逻辑。
• tests/multimodal/test_audio.py（模块 音频测试；类别 test；类型 test-coverage；符号 test_resample_audio_torchaudio, test_resample_audio_torchaudio_non_divisible_sample_rates, test_resample_audio_torchaudio_resamples_last_axis_for_multichannel, test_resample_audio_torchaudio_short_input_needs_no_padding）: 配套测试文件，为新后端提供了全面的单元测试覆盖，是验证实现正确性的关键。
• vllm/multimodal/parse.py（模块 数据解析；类别 source；类型 configuration）: 上层解析器配置文件，将音频重采样默认方法更新为 torchaudio，是行为变更的关键传播点。

关键符号：_get_torchaudio_resampler, resample_audio_torchaudio, AudioResampler.init, AudioResampler.resample, MultiModalDataParser.init

关键源码片段

vllm/multimodal/audio.py

核心变更文件，实现了新的 torchaudio 重采样后端和内核缓存，并修改了 AudioResampler 的默认行为和校验逻辑。

# 使用 lru_cache 缓存 torchaudio 重采样器实例，避免为同一采样率对重复构建昂贵的内核。
@lru_cache(maxsize=32)
def _get_torchaudio_resampler(
    orig_sr: int, target_sr: int
) -> "torchaudio.transforms.Resample":
    return torchaudio.transforms.Resample(orig_sr, target_sr)
​
​
def resample_audio_torchaudio(
    audio: npt.NDArray[np.floating],
    *,
    orig_sr: float,
    target_sr: float,
) -> npt.NDArray[np.floating]:
    """使用 torchaudio 的带限 sinc 插值重采样音频。
​
    与 PyAV 重采样器不同，它无需填充短输入，并沿最后轴应用内核，
    因此 2D (channels, samples) 输入无需逐声道循环。
    """
    orig_sr_int = int(round(orig_sr))
    target_sr_int = int(round(target_sr))
​
    if orig_sr_int == target_sr_int:
        return audio
​
    tensor = torch.as_tensor(audio, dtype=torch.float32)
    # 在 API/ 服务器父进程中运行重采样。保持其不接触 OpenMP 或 oneDNN 线程状态：
    # 两者都会毒化后续 fork 的引擎核心进程，导致其第一个并行 CPU 操作出现段错误。
    with set_default_torch_num_threads(1), torch.backends.mkldnn.flags(enabled=False):
        resampler = _get_torchaudio_resampler(orig_sr_int, target_sr_int)
        return resampler(tensor).numpy()
​
​
class AudioResampler:
    """重采样音频数据到目标采样率。"""
​
    _METHODS = ("pyav", "scipy", "soxr", "torchaudio")
​
    def __init__(
        self,
        target_sr: float | None = None,
        method: Literal["pyav", "scipy", "soxr", "torchaudio"] = "torchaudio",
    ):
        # 前置校验，使错误方法在构造时失败，而非在第一个音频请求时。
        if method not in self._METHODS:
            raise ValueError(
                f"Invalid resampling method: {method!r}. "
                f"Supported methods: {list(self._METHODS)}."
            )
        self.target_sr = target_sr
        self.method = method
    # ... resample 方法 ...

评论区精华

Review 中的核心讨论集中在默认值的变更与可用性上。CodeRabbit AI 机器人指出，如果用户未安装 torchaudio，将其设为默认后端可能导致在未选择该后端时导入模块就出现 ImportError，并建议确保其包含在音频依赖中或提供回退机制。Copilot 机器人在早期 review 中指出了实现与 PR 描述不一致的问题（默认值和校验时机），这些问题在后续提交中得到了修复。最终，维护者 Isotr0py 在验证后给出了 “LGTM” 的批准。讨论确认了 torchaudio 作为依赖在标准安装中的可用性，并决定将其设为默认以简化配置。

• 默认后端的依赖可用性与回退机制 (design): 由于 torchaudio 是 vLLM 的已声明依赖（在 requirements/cuda.txt 等文件中），维护者决定维持 torchaudio 作为默认值，认为标准安装下其可用性是有保障的。
• 实现与 PR 描述的默认值和校验时机不一致 (correctness): 作者在后续提交中修复了此问题，将 AudioResampler 和 MultiModalDataParser 的默认方法更新为 'torchaudio'，并在 AudioResampler.__init__ 中添加了前置校验。
• PR 审批与 CI 通过 (other): PR 已获批准并合并。

风险与影响

• 风险：
  1. 依赖与兼容性风险：torchaudio 虽是 vLLM 的已声明依赖，但其特定版本（如 2.11.0）可能与某些环境存在未预期的交互。将默认后端从 PyAV 切换为 torchaudio 会改变所有未显式指定后端的音频模型的重采样数值行为，尽管 Whisper 测试表明转录结果一致，但其他模型可能对微小的数值差异敏感，存在模型输出回归的潜在风险。
  2. 性能与线程安全风险：resample_audio_torchaudio 中的实现特意将 PyTorch 线程数设置为 1 并禁用 MKLDNN，以避免污染 fork 后的引擎进程。这是一个关键的并发安全设计，如果环境中的 OpenMP/MKL 设置异常，可能影响稳定性。
  3. 配置与错误处理风险：虽然增加了构造时校验，但如果用户通过模型覆盖指定了不存在的后端（如 phi4mm 使用 "scipy"），仍需确保这些覆盖路径不会因类型注解变更而断裂。
• 影响：
  1. 用户影响：所有使用 vLLM 多模态音频处理功能的用户都将默认使用 torchaudio 进行音频重采样。这带来了更快的请求处理延迟，尤其是在常见的采样率转换（如 44.1kHz -> 16kHz）中。用户无需更改代码即可获得性能提升，但可能观察到极其细微的音频处理差异。
  2. 系统影响：该变更增强了多模态音频管线的性能和健壮性（更好的错误处理）。它引入了一个新的、性能更优的核心依赖使用方式，并优化了初始化路径。测试覆盖率的显著提升也增强了相关模块的可靠性。
  3. 团队影响：为音频处理团队引入了新的基准和最佳实践（使用 torchaudio 并利用缓存）。变更清晰且向后兼容（保留了所有原有后端选项），为未来可能的默认值调整提供了参考模式。
     - 风险标记：默认行为变更, 依赖假设, 并发安全关键路径

关联脉络

• PR #47693 [Bugfix] Tolerate misspelled DSML tool_calls wrapper: 本 PR 是独立的音频重采样后端添加，与近期其他 PR（如 parser 修复、DCP 元数据、DeepSeek CPU 后端、Rust 前端重构等）在功能线上无直接关联。