#4279 为什么语音识别阶段老是识别一半就不干活了？

这是由于显存不足或资源分配冲突导致进程卡死，常见于使用大型模型（如 large-v3）且开启了多个并行任务。

解决方案：

1. 取消“二次识别”：如果已勾选，请关闭，它会在配音后再跑一次识别，额外占用大量显存。
2. 使用更小模型：将语音识别模型改为 large-v3-turbo 或 medium（需至少 10GB 显存才能稳定运行 large-v3）。

3. 调整高级选项：菜单→工具/选项→高级选项→语音识别参数：

   • CUDA数据类型 改为 int8 或 float16
   • beam_size 改为 1
   • best_of 改为 1
   • 上下文感知 改为 false
4. 降低并行任务数：高级选项→通用设置中，GPU同时任务数 设为 1（单卡显存<20G时）。
5. 检查日志：打开软件目录下的 logs/ 文件夹，查看最新日志文件底部 30 行，确认是否有 Unable to allocate 等显存不足报错。

请查阅相关文档：

• 显存不足
• 高级选项说明

不是显存不足导致的

既然不是显存不足，那显存占用突然下降且长时间无响应，通常指向任务异常中断或卡死（并非正在计算）。可能的原因及排查方向如下：

1. 文件路径/名称问题
   若视频路径过长（>200字符）或含特殊符号、表情符，可能导致 ffmpeg 或 whisper 内部命令行调用失败，进程静默中止。
   解决：将视频移动至浅层目录（如 D:\tmp），并重命名为简短英文名（如 1.mp4），重新处理。
2. 模型文件损坏或不完整
   如果此前自动下载模型时中断，模型文件有缺失，识别中途可能崩溃。
   解决：进入 models/ 目录，将对应的模型文件夹（如 models--Systran--faster-whisper-large-v3）删除，重启软件让程序重新下载（或按知识库第 11 节手动下载）。同时建议在任务开始前勾选 清理已生成。
3. 开启“降噪”或“分离人声背景声”导致额外负载或出错
   降噪需额外下载模型，分离人声会大幅增加计算。若过程中出错，可能直接卡死。
   解决：尝试关闭这两个选项后再测试，尤其若是首次运行，先确保基础识别流程跑通。
4. CUDA/cuDNN 不匹配导致静默崩溃
   即便未提示显存不足，一旦 CUDA 版本不符或 cuDNN 缺失，也可能在执行某些运算时闪退或挂起。
   解决：检查是否安装了 CUDA 12.8 和 cuDNN 9.11（软件要求版本），并在高级选项中确认 wasapi 或 cuda 数据类型设置正确。可尝试在高级选项中关闭“上下文感知”，并将“beam_size”“best_of”调至 1 测试。
5. 旧版 Bug
   低于 v3.99 的版本存在识别阶段卡死的已知问题。
   解决：升级到最新 v3.99 完整包（覆盖升级时确保没有残留旧文件）。
6. 查看日志确认具体错误
   务必检查 logs/ 文件夹下最新日志文件的末尾 30 行，通常会有明确的报错信息（如 ffprobe exec error、CUBLAS_STATUS_NOT_SUPPORTED 等），据此可精准定位。

如果这些均无效，请将日志末尾 30 行提供出来，以便进一步分析。

请查阅相关文档：

• 常见错误与解决方法
• faster/whisper 模型下载说明
• 升级更新日志

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 963, 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.

根据日志，错误由“人声背景声分离”功能引发，配置异常导致失败。
解决方案：

1. 暂时关闭分离功能：在主界面取消勾选“设置更多参数”里的“分离人声背景声”，重试看看能否正常完成识别和翻译。
2. 若仍要使用，请检查模型配置：菜单 → 工具/选项 → 高级选项 → “分离背景声模型”，确保已正确选择可用的模型（如 htdemucs 或 mdx-net），并确认相关模型文件未损坏（可尝试删除 models 内对应分离模型文件夹后重新下载）。
3. 清理缓存：关闭软件，删除安装目录下的 tmp 文件夹，重启后勾选“清理已生成”再处理该视频。

如果仍失败，请提供更完整日志或尝试使用其他分离模型。

请查阅相关文档：

• 分离人声和背景音

分离背景声模型在哪下载？

分离背景声模型由软件自动下载，无需手动寻找外部链接。 操作步骤：

1. 确认模型选择：点击菜单 工具/选项 → 高级选项，在“分离背景声模型”下拉框中选择一个模型（如 htdemucs 或 mdx-net），保存设置。
2. 触发自动下载：勾选主界面“设置更多参数”中的“分离人声背景声”，开始处理一个视频，程序会自动检测并下载缺失的模型文件到 models/ 目录。
3. 若下载失败：通常因为网络问题（如无法访问 HuggingFace）。可在“网络代理地址”填写可用代理，或手动删除 models/ 下对应的分离模型文件夹，重启软件再次尝试。
4. 注意：分离模型体积较大，需保持网络通畅并耐心等待首次下载完成。

如果长时间无法下载，可查看日志定位具体下载错误，或更换其他分离模型选项。

选择哪个分离背景声模型比较好？

没有绝对的最好，取决于你对质量与速度的取舍。

• htdemucs（推荐首选）：分离质量最高，尤其是对复杂背景音（保留人声更干净、残留少），但比较消耗资源，处理速度较慢。
• mdx-net：轻量模式，速度快，占用资源较少，但分离效果在嘈杂场景下不如 htdemucs。
• 其他模型（如 demucs 等）可根据硬件与场景尝试。

建议：先用 htdemucs 测试，若速度太慢或配置不足，再换成 mdx-net。设置位置：菜单 → 工具/选项 → 高级选项 → 分离背景声模型。

请查阅相关文档：

• 分离人声和背景音

models文件夹内哪个是分离背景声模型？

分离背景声的模型文件并非一个固定名称，而是取决于你在高级选项中选择了哪一个模型。在 models 目录下，常见的分离模型文件夹名称与模型选择对应如下：

• 选择 htdemucs 时：models--speechbrain--htdemucs
• 选择 mdx-net 时：models--speechbrain--mdx-net

注意：
如果软件是从 HuggingFace 下载的，文件夹名通常会是这种格式。若找不到，可能是下载失败导致文件夹不存在或文件不完整。

操作建议：

1. 确认你在 菜单 -> 工具/选项 -> 高级选项 -> 分离背景声模型 选择了哪个模型。
2. 在 models 目录下找到对应的文件夹。
3. 如果该文件夹缺失或文件下载中断，可以将其删除，重启软件并重新勾选“分离人声背景声”触发自动下载，或直接在弹出配置错误时清空该文件夹让他重下。

如果仍不确定，可查看日志中具体的下载路径提示，或暂时切换为另一个分离模型试试。

models文件夹内没有分离模型软件又不自动下载我该怎么办？

软件不自动下载分离背景声模型，通常是因为网络受限（例如无法访问HuggingFace）。可尝试以下方法解决：

1. 配置网络代理：
   在主界面“网络代理地址”文本框中填写你的代理地址（格式如 http://127.0.0.1:10808，端口号根据你的代理软件设置填写）。配置完成后，重启软件，勾选“分离人声背景声”重试，软件应能通过代理自动下载模型。

2. 清理残留并触发重新下载：

   • 关闭软件。
   • 进入软件安装目录下的 models 文件夹，删除与你选择的模型对应的文件夹（例如选了 htdemucs 就删 models--speechbrain--htdemucs，选了 mdx-net 就删 models--speechbrain--mdx-net）。若不确定选的是哪个，可先全删。
   • 重启软件，勾选“分离人声背景声”并开始处理视频，程序会强制重新下载完整模型。
3. 若没有代理，暂时关闭该功能：
   在主界面“设置更多参数”中取消勾选“分离人声背景声”。此功能并非必须，关闭后只是使用原视频音频进行识别，不分离背景音，准确性可能会有略微下降。
4. 如果上述操作无效，请查看日志：
   打开软件目录下的 logs 文件夹，找到最新的日志文件，查看末尾关于模型下载的具体错误（如 403、timeout 等），可据此进一步排查网络问题。

CUDA数据类型选哪个比较好？

这取决于你的显存大小和对识别精度的要求。int8：占用显存最少，速度最快，但精度损失最大。适用情况：显存紧张时（如 4GB-6GB 显存使用 large-v3 模型），优先保证能跑起来。float16：占用显存适中，速度较快，精度较好。适用情况：这是大多数现代 NVIDIA 显卡（如 RTX 20 系列及以上）的推荐选择，兼顾了性能和速度。float32：占用显存最多，速度最慢，精度最高。适用情况：显存非常充裕（如 >16GB）且对精度要求极高的场景，一般情况下与 float16 的最终效果差距不大。default：让程序根据模型和硬件自动选择。“建议”：若有 RTX 3060 及以上（显存 12GB+），优先选择 float16。若显存低于 10GB 且使用 large-v3 模型，为防卡死，建议选 int8。设置路径：菜单 → 工具/选项 → 高级选项 → 语音识别参数 → CUDA数据类型。修改后需重新运行任务生效。

8g用large-v2或者large-v1能用float16吗？

可以使用 float16。8GB 显存足以在优化参数后稳定运行 large-v2，勉强可带动 large-v1（需关闭部分功能）。

为防显存不足导致卡死，建议同步调整以下设置：

1. 将 CUDA数据类型 改为 float16。
2. 将 beam_size 改为 1。
3. 将 best_of 改为 1。
4. 将 上下文感知 设为 false。

设置路径：菜单 → 工具/选项 → 高级选项 → 语音识别参数。

如遇显存不足，优先使用 large-v2 模型。

静音分割持续毫秒推荐多少？

推荐使用默认值 500 毫秒，这是适用多数场景的平衡值。
该参数决定：检测到多长的连续静音后，才将前后语音切分开。

• 减小值（如 200ms）：切分更灵敏，字幕片段可能更碎，但能捕捉稍作停顿的短句。
• 增大值（如 1000ms）：切分更迟钝，字幕片段更长，适合连贯叙述，但可能合并本应分开的句子。

调节建议：

1. 如果识别后字幕断句过碎或一句话被切成多段，适当增大至 800-1000ms。
2. 如果一句话里明显包含多个句子却未被切开，适当降低至 200-300ms。
3. 若需配合声音克隆（clone 角色），需额外关注“最短语音持续毫秒”和“最长语音持续秒数”，静音分割保持默认即可。

设置位置：菜单 → 工具/选项 → 高级选项 → 语音识别参数 → 静音分割持续毫秒。