#4043 卡在 STT use large-v3 starting...

这是由于语音识别模型 large-v3 下载失败或加载缓慢导致的。

解决方案：

1. 检查网络与代理：large-v3 模型首次使用需要从 HuggingFace 下载。如果网络不通，会长时间卡住。请确保网络连接正常，如需代理，请在主界面“网络代理地址”中正确填写。

2. 手动下载模型：如果自动下载失败，可以手动下载模型文件。

   • 在软件根目录的 models 文件夹内，创建名为 models--Systran--faster-whisper-large-v3 的文件夹。
   • 访问模型下载页面：https://huggingface.co/Systran/faster-whisper-large-v3/tree/main
   • 将该页面所有 .json、.bin、.txt 文件下载并复制到上一步创建的文件夹中。
   • 重启软件后，软件将直接使用本地模型，不再下载。
3. 使用更小模型：如果显存或内存不足（large-v3 要求较高），也可能导致加载卡死。可尝试在主界面将模型切换为 medium 或 small。
4. 检查 CUDA 环境：如果已安装 CUDA 但未勾选“CUDA加速”，加载速度会非常慢。请确保已正确安装 CUDA 12.8 并勾选此选项。

如果以上步骤无法解决，请提供软件安装目录下 logs 文件夹中最新日志文件的底部约30行内容，以便进一步分析。

请查阅相关文档：

• 手动下载适用于 faster-whisper(本地) 语音识别渠道的模型

Traceback (most recent call last):
File "videotrans\configure\_base.py", line 289, in _new_process
RuntimeError: Traceback (most recent call last):
File "videotrans\process\prepare_audio.py", line 72, in vocal_bgm
File "videotrans\process\prepare_audio.py", line 53, in create_offline_source_separation
ValueError: Please check your config.

[ERROR] new process:Traceback (most recent call last):
File "videotrans\configure\_base.py", line 289, in _new_process
RuntimeError: Traceback (most recent call last):
File "videotrans\process\prepare_audio.py", line 72, in vocal_bgm
File "videotrans\process\prepare_audio.py", line 53, in create_offline_source_separation
ValueError: Please check your config.

Traceback (most recent call last):
File "videotrans\configure\_base.py", line 289, in _new_process
RuntimeError: Traceback (most recent call last):
File "videotrans\process\prepare_audio.py", line 72, in vocal_bgm
File "videotrans\process\prepare_audio.py", line 53, in create_offline_source_separation
ValueError: Please check your config.

[ERROR] 人声背景声分离失败：Traceback (most recent call last):
File "videotrans\process\prepare_audio.py", line 72, in vocal_bgm
File "videotrans\process\prepare_audio.py", line 53, in create_offline_source_separation
ValueError: Please check your config.
Traceback (most recent call last):
File "videotrans\task\trans_create.py", line 931, in _split_audio_byraw
File "videotrans\configure\_base.py", line 289, in _new_process
RuntimeError: Traceback (most recent call last):
File "videotrans\process\prepare_audio.py", line 72, in vocal_bgm
File "videotrans\process\prepare_audio.py", line 53, in create_offline_source_separation
ValueError: Please check your config.

[ERROR] 人声背景声分离失败：Traceback (most recent call last):
File "videotrans\process\prepare_audio.py", line 72, in vocal_bgm
File "videotrans\process\prepare_audio.py", line 53, in create_offline_source_separation
ValueError: Please check your config.
Traceback (most recent call last):
File "videotrans\task\trans_create.py", line 931, in _split_audio_byraw
File "videotrans\configure\_base.py", line 289, in _new_process
RuntimeError: Traceback (most recent call last):
File "videotrans\process\prepare_audio.py", line 72, in vocal_bgm
File "videotrans\process\prepare_audio.py", line 53, in create_offline_source_separation
ValueError: Please check your config.

[DEBUG] [recognition]__init__:kwargs={'detect_language': 'en', 'audio_file': 'C:/Users/demon/Desktop/AI翻译软件/tmp/6484/8b4399a188/en.wav', 'cache_folder': 'C:/Users/demon/Desktop/AI翻译软件/tmp/6484/8b4399a188', 'model_name': 'large-v3', 'uuid': '8b4399a188', 'is_cuda': True, 'subtitle_type': 1, 'recogn_type': 0, 'max_speakers': -1, 'llm_post': False, 'recogn2pass': False}
[DEBUG] BaseRecogn 初始化

[DEBUG] GPU进程池:max_workers=1

这是由于在“人声背景声分离”步骤中配置错误导致的。日志显示 ValueError: Please check your config.，通常是因为在“设置更多参数”中勾选了“分离人声背景声”，但相关模型未正确下载或配置。

解决方案：

1. 取消“分离人声背景声”：在主界面点击“设置更多参数...”，取消勾选“分离人声背景声”选项，然后重新开始翻译任务。
2. 如需使用该功能，请确保模型已下载：如果确实需要分离人声和背景音，请确保已正确下载相关模型。该功能依赖阿里云 modelscope 的模型，首次使用需要在线下载。请检查网络连接，或手动下载模型文件。
3. 检查克隆配音配置：如果你选择了配音角色为 clone（声音克隆），并勾选了“分离人声背景声”，请确保“最短语音持续毫秒”已设置为 3000 或更高，且“最长语音持续秒数”设置为 10 或更低。这可以在“菜单-工具-高级选项-语音识别参数”中调整。

请查阅相关文档：

• 分离人声和背景音
• 如何使用原视频中音色配音

[DEBUG] [FFMPEG-CMD]:
ffmpeg -hide_banner -ignore_unknown -threads 0 -y -fflags +genpts -i C:/Users/demon/Desktop/AIAI/YQ9055/1-26.mp4 -an -c:v copy novoice.mp4

[DEBUG] [FFMPEG-CMD]:
ffmpeg -hide_banner -ignore_unknown -threads 0 -y -i C:/Users/demon/Desktop/AIAI/YQ9055/1-26.mp4 -vn -ac 1 -ar 16000 -c:a pcm_s16le C:/Users/demon/Desktop/AI翻译软件/tmp/6484/96393410db/en.wav

[DEBUG] 最终配置信息：self.cfg=TaskCfgVTT(is_cuda=True, uuid='68f6637b01', cache_folder='C:/Users/demon/Desktop/AI翻译软件/tmp/6484/68f6637b01', target_dir='C:/Users/demon/Desktop/AIAI/YQ9055/_video_out/1-26-mp4', source_language='英语', source_language_code='en', source_sub='C:/Users/demon/Desktop/AIAI/YQ9055/_video_out/1-26-mp4/en.srt', source_wav='C:/Users/demon/Desktop/AI翻译软件/tmp/6484/68f6637b01/en.wav', source_wav_output='C:/Users/demon/Desktop/AIAI/YQ9055/_video_out/1-26-mp4/en.m4a', target_language='简体中文', target_language_code='zh-cn', target_sub='C:/Users/demon/Desktop/AIAI/YQ9055/_video_out/1-26-mp4/zh-cn.srt', target_wav='C:/Users/demon/Desktop/AI翻译软件/tmp/6484/68f6637b01/target.wav', target_wav_output='C:/Users/demon/Desktop/AIAI/YQ9055/_video_out/1-26-mp4/zh-cn.m4a', name='C:/Users/demon/Desktop/AIAI/YQ9055/1-26.mp4', noextname='1-26', basename='1-26.mp4', ext='mp4', dirname='C:/Users/demon/Desktop/AIAI/YQ9055', shound_del_name=None, translate_type=0, tts_type=0, volume='+0%', pitch='+0Hz', voice_rate='+0%', voice_role='YunJhe(Male/TW)', voice_autorate=True, video_autorate=False, remove_silent_mid=False, align_sub_audio=True, detect_language='en', recogn_type=0, model_name='large-v3', shibie_audio=None, remove_noise=False, enable_diariz=False, nums_diariz=0, rephrase=0, fix_punc=False, subtitle_language=None, app_mode='biaozhun', subtitles='', targetdir_mp4='C:/Users/demon/Desktop/AIAI/YQ9055/_video_out/1-26-mp4/1-26.mp4', novoice_mp4='C:/Users/demon/Desktop/AI翻译软件/tmp/6484/68f6637b01/novoice.mp4', is_separate=False, embed_bgm=False, instrument=None, vocal=None, back_audio='', clear_cache=True, background_music=None, subtitle_type=1, only_out_mp4=False, recogn2pass=False, output_srt=0, copysrt_rawvideo=False)
[DEBUG] [FFMPEG-CMD]:
ffmpeg -hide_banner -ignore_unknown -threads 0 -y -fflags +genpts -i C:/Users/demon/Desktop/AIAI/YQ9055/1-26.mp4 -an -c:v copy novoice.mp4

[DEBUG] [FFMPEG-CMD]:
ffmpeg -hide_banner -ignore_unknown -threads 0 -y -i C:/Users/demon/Desktop/AIAI/YQ9055/1-26.mp4 -vn -ac 1 -ar 16000 -c:a pcm_s16le C:/Users/demon/Desktop/AI翻译软件/tmp/6484/68f6637b01/en.wav

[DEBUG] [recognition]__init__:kwargs={'detect_language': 'en', 'audio_file': 'C:/Users/demon/Desktop/AI翻译软件/tmp/6484/68f6637b01/en.wav', 'cache_folder': 'C:/Users/demon/Desktop/AI翻译软件/tmp/6484/68f6637b01', 'model_name': 'large-v3', 'uuid': '68f6637b01', 'is_cuda': True, 'subtitle_type': 1, 'recogn_type': 0, 'max_speakers': -1, 'llm_post': False, 'recogn2pass': False}
[DEBUG] BaseRecogn 初始化

从日志看，软件已成功初始化并开始语音识别（STT use large-v3 starting...），但可能因模型下载或加载而长时间卡住。根据之前的错误，你已取消了“分离人声背景声”，现在问题集中在语音识别阶段。解决方案：检查模型下载：这是最常见的原因。large-v3 模型首次使用需要从 HuggingFace 下载。如果网络不通或下载缓慢，会长时间卡在“starting...”。请确保网络连接正常。如需代理，请在主界面“网络代理地址”中正确填写（格式如 http://127.0.0.1:10808）。手动下载模型：如果自动下载失败，可以手动下载模型文件。在软件根目录的 models 文件夹内，创建名为 models--Systran--faster-whisper-large-v3 的文件夹。访问模型下载页面：https://huggingface.co/Systran/faster-whisper-large-v3/tree/main将该页面所有 .json、.bin、.txt 文件下载并复制到上一步创建的文件夹中。重启软件后，软件将直接使用本地模型，不再下载。检查 CUDA 加速：日志显示 is_cuda=True，说明已启用 CUDA 加速。请确认已正确安装 CUDA 12.8 和 cuDNN。如果 CUDA 环境有问题，加载也会变慢。可以在 CMD 中输入 nvcc -V 和 nvidia-smi 验证。使用更小模型：如果显存或内存不足（large-v3 要求较高），也可能导致加载卡死。可尝试在主界面将模型切换为 medium 或 large-v3-turbo。检查文件路径：确保视频文件路径和软件安装路径不包含中文字符或特殊符号。从日志看，你的路径 C:/Users/demon/Desktop/AIAI/YQ9055/1-26.mp4 是英文，没有问题。如果以上步骤无法解决，请提供软件安装目录下 logs 文件夹中最新日志文件的底部约30行内容，以便进一步分析。请查阅相关文档：手动下载适用于 faster-whisper(本地) 语音识别渠道的模型

已经在软件里面重新下载large-v3 并且开启了CUDA 还是卡在STT use large v3 starting 显卡用的4080

这是由于 large-v3 模型在 CUDA 环境下加载失败或初始化卡死导致的。虽然已开启 CUDA，但可能因环境不匹配或显存分配问题导致进程停滞。解决方案：检查 CUDA 和 cuDNN 版本：确保安装的是 CUDA 12.8 和 cuDNN 9.x 版本。版本不匹配可能导致加载失败。在 CMD 中输入 nvcc -V 和 nvidia-smi 验证。降低模型精度以节省显存：在“菜单-工具-高级选项-语音识别参数”中，将“CUDA数据类型”从 float32 改为 float16 或 int8。这可以显著降低显存占用并可能解决加载问题。调整识别精度参数：在同一设置区域，将“识别准确度beam_size”和“识别准确度best_of”都从默认的 5 改为 1。这能进一步减少显存需求。关闭上下文感知：在“语音识别参数”中，将“启用上下文感知”设置为 false。使用更小的模型进行测试：暂时将模型切换为 large-v3-turbo 或 medium，测试是否能正常启动识别。如果小模型可以，则问题可能出在 large-v3 与当前环境的兼容性上。检查多显卡设置：如果你有多个显卡，确保软件使用的是 4080。在“高级选项-通用设置”中，检查“多显卡模式”和“GPU同时任务数”设置。对于单张 4080，建议“GPU同时任务数”设为 1，“多显卡模式”保持未选中状态。重启软件并仅处理单个视频：关闭软件，重新启动。在翻译时，确保只处理一个视频，并勾选主界面左上角的“清理已生成”，以避免缓存干扰。如果以上步骤均无效，可能是模型文件损坏。请删除 models/models--Systran--faster-whisper-large-v3 文件夹，重新下载或从其他来源获取完整的模型文件。

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
File "videotrans\task\trans_create.py", line 931, in _split_audio_byraw
File "videotrans\configure\_base.py", line 303, in _new_process
RuntimeError: 出错了，可能内存或显存不足
Traceback (most recent call last):
File "videotrans\configure\_base.py", line 285, in _new_process
File "concurrent\futures\_base.py", line 458, in result
File "concurrent\futures\_base.py", line 403, in __get_result
concurrent.futures.process.BrokenProcessPool: A process in the process pool was terminated abruptly while the future was running or pending.

[DEBUG] [语音识别]渠道0,large-v3:共耗时:6518s

[DEBUG] [FFMPEG-CMD]:
ffmpeg -hide_banner -ignore_unknown -threads 0 -y -i C:/Users/demon/Desktop/AIAI/YQ9055/1-26.mp4 -vn -ac 1 -ar 16000 -c:a pcm_s16le C:/Users/demon/Desktop/AI翻译软件/tmp/20824/98b216f3e3/en.wav

[DEBUG] [recognition]__init__:kwargs={'detect_language': 'en', 'audio_file': 'C:/Users/demon/Desktop/AI翻译软件/tmp/20824/98b216f3e3/en.wav', 'cache_folder': 'C:/Users/demon/Desktop/AI翻译软件/tmp/20824/98b216f3e3', 'model_name': 'large-v3', 'uuid': '98b216f3e3', 'is_cuda': True, 'subtitle_type': 1, 'recogn_type': 0, 'max_speakers': -1, 'llm_post': False, 'recogn2pass': False}
[DEBUG] BaseRecogn 初始化

[DEBUG] GPU进程池:max_workers=1

问题已明确。日志显示语音识别耗时 6518 秒（约 1.8 小时）后，进程池崩溃并报错“可能内存或显存不足”。虽然你使用了 4080 显卡，但 large-v3 模型在 CUDA 下加载或处理长视频时仍可能耗尽资源。解决方案：降低模型精度和参数：这是最有效的步骤。进入“菜单-工具-高级选项-语音识别参数”，进行以下调整：将“CUDA数据类型”改为 int8。将“识别准确度beam_size”改为 1。将“识别准确度best_of”改为 1。将“启用上下文感知”设为 false。使用更小的模型：将主界面的识别模型从 large-v3 切换为 large-v3-turbo 或 medium。large-v3-turbo 是平衡速度和精度的好选择。检查视频时长和预处理：过长的视频可能导致内存累积占用过高。如果视频很长，可以尝试先将其分割为较短的片段（如 10 分钟一段）进行处理。确保未启用“分离人声背景声”和“二次识别”等额外消耗显存的功能。调整高级设置中的并发数：在“高级选项-通用设置”中，确保“GPU同时任务数”为 1。对于单次任务，也可以尝试将“最大进程数”降低（例如设为 2 或 3）。监控资源使用：在处理时，打开任务管理器，查看 GPU 显存和系统内存的使用情况。如果显存在加载模型后即接近占满，说明需要上述的精度调整。清理缓存并重启：勾选主界面左上角的“清理已生成”，然后关闭软件，重新启动，再次尝试翻译。如果以上调整后问题依旧，可能是特定视频或环境问题。请尝试使用一个时长较短（如 1 分钟）的英文视频进行测试，以排除视频本身的问题。请查阅相关文档：总是提示显存不足

我换了3分钟的视频依旧会卡住 STT use large-v3 starting

问题核心是 large-v3 模型在 CUDA 环境下初始化失败，导致进程卡死。虽然视频缩短，但模型加载阶段即出现问题。

解决方案：

1. 验证 CUDA 环境：在 CMD 中运行 nvcc -V 和 nvidia-smi，确认 CUDA 版本为 12.8，且 4080 显卡驱动为最新。
2. 强制使用 CPU 模式测试：在主界面取消勾选“CUDA加速”，然后重新运行。如果 CPU 模式下能顺利通过“STT starting...”阶段，则证明是 CUDA 环境或兼容性问题。

3. 调整高级参数：如果必须使用 CUDA，请在“菜单-工具-高级选项-语音识别参数”中，进行以下设置：

   • CUDA数据类型: 改为 int8
   • 识别准确度beam_size: 改为 1
   • 识别准确度best_of: 改为 1
   • 启用上下文感知: 设为 false
4. 更换模型：将识别模型从 large-v3 切换为 large-v3-turbo 或 medium。large-v3-turbo 是效果和资源消耗的较好平衡。
5. 检查模型文件完整性：删除 models/models--Systran--faster-whisper-large-v3 文件夹，重新下载完整模型文件（确保所有 .bin, .json, .txt 文件齐全）。
6. 以管理员身份运行：右键点击 sp.exe，选择“以管理员身份运行”，有时权限问题会影响 CUDA 资源分配。

如果强制使用 CPU 模式后问题依旧，则可能是模型文件损坏或软件环境问题。请尝试重新下载完整的软件包覆盖安装。

请查阅相关文档：

• 总是提示显存不足
• 手动下载适用于 faster-whisper(本地) 语音识别渠道的模型