#2166 一直是分离音频结束等待识别

124.244* Posted at: 1 month ago 👁110

批量选择视频之后 全部只有百分之1的进度显示分离音频结束等待识别

3 Replies

Floor #1 DeepSeek Posted at 1 month ago

这个问题通常是由于视频文件路径或名称包含特殊字符（尤其是从YouTube下载的视频可能包含Windows禁止的字符）导致的。请按以下步骤排查：

  1. 检查文件路径和名称：

    • 将待处理的视频文件重命名为纯英文或数字（如 video1.mp4）。
    • 将文件移动到简单的根目录路径，例如 D:\ 或 E:\ 下。
    • 绝对避免路径或文件名中包含 \ / : * ? " < > | 等Windows系统禁止的字符，以及中文括号、空格等。

  2. 使用正确的处理流程：

    • 在主界面，确保正确选择了 “语音识别” 模型（例如 faster-whisper(本地)）。
    • 确认选择了视频的 “发音语言”。
    • 勾选 “CUDA加速”（如果使用NVIDIA显卡）。
    • 不要勾选“人声分离”功能，除非你明确需要此功能，因为它会显著增加处理时间。

  3. 清理缓存并重试：

    • 在重新处理前，勾选主界面上的 “清理已生成” 选项，以确保软件重新处理原始文件。

  4. 查看详细日志：

    • 如果以上步骤无效，请打开软件所在目录下的 logs 文件夹，将最新的日志文件内容提供出来，以便进一步分析具体错误。

首先请尝试第1步，这是最常见的原因。

Floor #2 104.234* Posted at 29 days ago

Application started at 2026-01-19 20:34:56

load subtitles area...
Set ui text...
Set style...
Set controls style...
Set menu...
Load function window...
Set default params
Bind signal...
2026-01-19 20:34:58,654 - INFO - 平台: Windows。正在按优先级检测最佳的 'h264' 编码器: ['nvenc', 'qsv', 'amf']
Import torch...
2026-01-19 20:35:03,790 - INFO - 正在测试编码器是否可用: h264_nvenc...
end
2026-01-19 20:35:04,418 - INFO - 硬件编码器 'h264_nvenc' 可用。
2026-01-19 20:35:04,418 - INFO - 已选择硬件编码器: h264_nvenc
2026-01-19 20:35:04,418 - INFO - 最终确定使用的编码器: h264_nvenc
2026-01-19 20:35:04,418 - INFO - 平台: Windows。正在按优先级检测最佳的 'hevc' 编码器: ['nvenc', 'qsv', 'amf']
2026-01-19 20:35:04,419 - INFO - 正在测试编码器是否可用: hevc_nvenc...
2026-01-19 20:35:04,576 - INFO - 硬件编码器 'hevc_nvenc' 可用。
2026-01-19 20:35:04,577 - INFO - 已选择硬件编码器: hevc_nvenc
2026-01-19 20:35:04,577 - INFO - 最终确定使用的编码器: hevc_nvenc
self.proxy_str='http://127.0.0.1:7897',self.uuid=None
2026-01-19 20:37:53,332 - INFO - Starting call to 'videotrans.transl
......
0_1787808.wav'}, {'line': 430, 'text': '', 'start_time': 1787968, 'end_time': 1790816, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1787968_1790816.wav'}, {'line': 431, 'text': '', 'start_time': 1791296, 'end_time': 1797280, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1791296_1797280.wav'}, {'line': 432, 'text': '', 'start_time': 1797312, 'end_time': 1798784, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1797312_1798784.wav'}, {'line': 433, 'text': '', 'start_time': 1799392, 'end_time': 1805376, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1799392_1805376.wav'}, {'line': 434, 'text': '', 'start_time': 1805408, 'end_time': 1809312, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1805408_1809312.wav'}, {'line': 435, 'text': '', 'start_time': 1809856, 'end_time': 1812608, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1809856_1812608.wav'}, {'line': 436, 'text': '', 'start_time': 1812896, 'end_time': 1818880, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1812896_1818880.wav'}, {'line': 437, 'text': '', 'start_time': 1818912, 'end_time': 1824896, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1818912_1824896.wav'}, {'line': 438, 'text': '', 'start_time': 1824928, 'end_time': 1828864, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1824928_1828864.wav'}, {'line': 439, 'text': '', 'start_time': 1829056, 'end_time': 1835040, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1829056_1835040.wav'}, {'line': 440, 'text': '', 'start_time': 1835072, 'end_time': 1835488, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1835072_1835488.wav'}, {'line': 441, 'text': '', 'start_time': 1835776, 'end_time': 1837696, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1835776_1837696.wav'}, {'line': 442, 'text': '', 'start_time': 1838176, 'end_time': 1838816, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1838176_1838816.wav'}, {'line': 443, 'text': '', 'start_time': 1839136, 'end_time': 1842816, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1839136_1842816.wav'}, {'line': 444, 'text': '', 'start_time': 1843168, 'end_time': 1844864, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1843168_1844864.wav'}, {'line': 445, 'text': '', 'start_time': 1845184, 'end_time': 1850880, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1845184_1850880.wav'}, {'line': 446, 'text': '', 'start_time': 1851072, 'end_time': 1856160, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1851072_1856160.wav'}, {'line': 447, 'text': '', 'start_time': 1856672, 'end_time': 1862656, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1856672_1862656.wav'}, {'line': 448, 'text': '', 'start_time': 1862688, 'end_time': 1864256, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1862688_1864256.wav'}, {'line': 449, 'text': '', 'start_time': 1864576, 'end_time': 1864800, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1864576_1864800.wav'}, {'line': 450, 'text': '', 'start_time': 1865472, 'end_time': 1866656, 'file': 'E:/pyvideo/tmp/14112/1768826926.6590703/1865472_1866656.wav'}]

Floor #3 DeepSeek Posted at 29 days ago

根据日志，问题已明确：语音识别（ASR）步骤成功执行并生成了大量音频片段（如 0_1787808.wav），但所有片段的识别结果 'text' 字段均为空字符串 ''。这表明 faster-whisper 模型未能从音频中识别出任何有效语音。

请按以下步骤排查和解决：

  1. 检查视频/音频内容：确认你的视频中确实包含清晰的人声说话。如果视频只有背景音乐、环境噪音或人声非常模糊，模型将无法识别。
  2. 检查“发音语言”设置：在主界面第3行“翻译设置”区域，确保 “发音语言” 选择正确。如果视频是英文，请选择“英语(English)”；如果是中文，请选择“中文(Chinese)”。不确定时可先选“auto(自动识别)”。

  3. 更换语音识别模型或模式：

    • 尝试其他模型：在主界面第2行“语音识别”下拉菜单中，尝试更换模型，例如从 large-v3 换成 medium 或 small。有时小模型对嘈杂环境更鲁棒。
    • 尝试“阿里FunASR(本地)”：如果视频主要是中文，切换到“阿里FunASR”识别效果通常更好。
    • 尝试“整体识别”模式：如果你当前使用的是“批量推理”模式，请切换到“整体识别”模式，它使用VAD检测，断句和识别效果可能更好。

  4. 调整VAD参数（提高灵敏度）：

    • 点击主界面右下角的 “设置更多参数”。
    • 在“快速参数”区域，找到 “VAD参数”。
    • 将 “语音阈值” 从默认的 0.45 调低（例如改为 0.3 或 0.2）。数值越小，系统对语音越敏感，更容易将声音片段切分出来进行识别。
  5. 检查音频文件本身：用播放器打开软件临时目录下的一个wav文件（例如日志中提到的 E:/pyvideo/tmp/14112/.../0_1787808.wav），听一下是否包含清晰可辨的人声。如果这里的声音就是空白或全是噪音，那么问题出在视频源或音频提取环节。
  6. 启用“降噪”功能：在“设置更多参数”中勾选 “降噪” 选项，这可能在预处理时改善音频质量。

核心排查顺序：建议优先进行第2步（检查语言设置）和第3步（更换模型/模式），这是最常见的原因。如果问题依旧，再进行第4步（调整VAD）。

请查看更多参考文档：

Post Your Reply
Open source and free maintenance is not easy. If this project is helpful to you, please consider making a small donation to help the project continue to maintain and update.

Related resource