#5721 配音阶段出错 [Qwen3-TTS(本地内置)] CUDA error: device-side assert triggeredCompile with `TORCH_USE_CUDA_DSA` to enable device-side

Qwen3-TTS 内置的 CUDA 内核在执行 generate_voice_clone 时触发了设备端断言（device-side assert），这通常由以下两个原因之一导致：

1. 显存不足 — 模型推理时 GPU 显存耗尽，底层 CUDA 内核访问越界。
2. 参考音频不规范 — 角色 cosy.wav 的音频文件时长、采样率或声道格式不满足 Qwen3-TTS 的硬性约束，导致张量维度不匹配。

排查步骤：

1. 临时切换 CPU 运行（唯一 100% 可绕过 CUDA 错误的方法）：

   • 在主界面取消勾选 CUDA 加速。
   • 重新执行该任务。若不再报错，则确认为 GPU/显存问题。

2. 如果是显存不足：

   • 关闭其他 GPU 程序（浏览器、游戏等），释放显存。
   • 进入 菜单 → 工具 → 高级选项 → 通用设置，将 GPU 同时任务数 设为 1，并确保没有勾选“多显卡模式”。
   • 降低 Whisper 或其他可能同时占用的模型尺寸（如使用 medium 而非 large-v3）。

3. 如果是参考音频 cosy.wav 不规范：

   • 确保音频文件为 wav 格式，采样率 44100Hz，单声道，时长 3-10 秒。
   • 检查文件是否包含背景噪声或开头/结尾多余静音，应切割到仅包含清晰的人声。
   • 将文件放入 软件目录/f5-tts/ 文件夹，并严格按照格式编写参考音频描述（见菜单 TTS设置 → 设置参考音频）。

4. 若以上均无效：

   • 请提供 logs/ 下最新日志文件（复制底部 30 行），并说明您的 NVIDIA 显卡型号、显存大小、CUDA 版本（运行 nvidia-smi 查看）。

请查阅相关文档：

• GPU 加速环境配置
• 使用参考音频的注意要点

[DEBUG] [新进程任务 结束:title='Qwen3-TTS dubbing...']，耗时12.116714000701904s
[ERROR] CUDA error: device-side assert triggered
Compile with TORCH_USE_CUDA_DSA to enable device-side assertions.
,Traceback (most recent call last):
File "videotrans\process\tts_fun.py", line 121, in qwen3tts_fun
File "D:\AI\win-pyvideotrans-v4.05\_internal\torch\utils\_contextlib.py", line 116, in decorate_context

return func(*args, **kwargs)

File "qwen_tts\inference\qwen3_tts_model.py", line 603, in generate_voice_clone

talker_codes_list, _ = self.model.generate(

File "D:\AI\win-pyvideotrans-v4.05\_internal\torch\utils\_contextlib.py", line 116, in decorate_context

return func(*args, **kwargs)

File "qwen_tts\core\models\modeling_qwen3_tts.py", line 2272, in generate

talker_result = self.talker.generate(

File "D:\AI\win-pyvideotrans-v4.05\_internal\torch\utils\_contextlib.py", line 116, in decorate_context

return func(*args, **kwargs)

File "D:\AI\win-pyvideotrans-v4.05\_internal\transformers4576\generation\utils.py", line 2566, in generate

result = decoding_method(

File "D:\AI\win-pyvideotrans-v4.05\_internal\transformers4576\generation\utils.py", line 2789, in _sample

outputs = model_forward(**model_inputs, return_dict=True)

File "D:\AI\win-pyvideotrans-v4.05\_internal\torch\nn\modules\module.py", line 1751, in _wrapped_call_impl

return self._call_impl(*args, **kwargs)

File "D:\AI\win-pyvideotrans-v4.05\_internal\torch\nn\modules\module.py", line 1762, in _call_impl

return forward_call(*args, **kwargs)

File "D:\AI\win-pyvideotrans-v4.05\_internal\transformers4576\utils\generic.py", line 918, in wrapper

output = func(self, *args, **kwargs)

File "qwen_tts\core\models\modeling_qwen3_tts.py", line 1671, in forward

predictor_result = self.code_predictor.generate(

File "D:\AI\win-pyvideotrans-v4.05\_internal\torch\utils\_contextlib.py", line 116, in decorate_context

return func(*args, **kwargs)

File "D:\AI\win-pyvideotrans-v4.05\_internal\transformers4576\generation\utils.py", line 2566, in generate

result = decoding_method(

File "D:\AI\win-pyvideotrans-v4.05\_internal\transformers4576\generation\utils.py", line 2831, in _sample

next_tokens = torch.multinomial(probs, num_samples=1).squeeze(1)

RuntimeError: CUDA error: device-side assert triggered
Compile with TORCH_USE_CUDA_DSA to enable device-side assertions
4070S 12g显存 CUDA UMD 13.3

核心原因：Qwen3-TTS 的 CUDA 内核在解码 cosy.wav 参考音频时触发设备端断言，根本原因通常是 显存瞬时不足 或 参考音频格式不合法。您的 4070S 12GB 显存理论足够，但可能被其他 GPU 进程（如浏览器、Whisper 模型）占用；同时 cosy.wav 的时长、采样率或声道数可能不满足 Qwen3-TTS 的硬性约束。

按以下顺序排查（从最快验证到根本修复）：

1. 切换到纯 CPU 模式（快速定位问题来源）

在软件主界面 取消勾选 CUDA 加速，重新执行该配音任务。

• 如果不再报错 → 确认为 GPU/显存问题，见第 2 步。
• 如果仍报错 → 问题在参考音频本身，见第 3 步。

2. GPU 显存优化（若 CPU 模式正常）

• 关闭所有占用 GPU 的应用程序（浏览器、游戏、直播、其他 AI 软件）。

• 降低同时加载的模型数量：
  进入 菜单 → 工具 → 高级选项 → 通用设置：

  • 将 GPU 同时任务数 设为 1。
  • 确保未勾选 多显卡模式。

• 检查 CUDA 环境兼容性：
  软件要求 CUDA 12.8+ 且 cuDNN 9.11+。您提到的 “CUDA UMD 13.3” 可能是驱动版本号，请打开命令提示符运行：

  nvcc -V      # 查看 CUDA 编译器版本
  nvidia-smi   # 查看驱动 CUDA 版本

  如果 CUDA 编译器版本低于 12.8，请重新安装 CUDA 12.8 和 cuDNN 9.11。

• 重启软件：所有设置生效后再试。

3. 检查参考音频 cosy.wav

这是最常见的原因。Qwen3-TTS 对 clone 角色的参考音频要求严格：

• 文件格式：必须是 wav，采样率 44100Hz，单声道。
• 时长：3～10 秒，过长或过短都会导致 device-side assert。
• 内容：仅包含清晰、无背景噪声的单一人声，开头结尾无静音。

操作步骤：

1. 用剪映、Audacity 等工具将 cosy.wav 裁剪至 3～10 秒，导出为 wav（44100Hz，单声道）。
2. 将该文件放入 软件目录/f5-tts/ 文件夹（注意：Qwen3-TTS 的参考音频也读取 f5-tts/ 目录）。
3. 打开 菜单 → TTS设置 → 设置参考音频，确保已正确填写参考音频的文本描述（格式：文件名#音频内的说话文本）。
4. 若无法确认文本，可先用 Edge-TTS 或 Qwen3-TTS（非 clone 角色）为同一段字幕生成配音，暂时绕过克隆功能。

4. 若以上均无法解决

可能是模型文件损坏。请进入 models/ 目录，找到 Qwen3-TTS 的模型文件夹（通常以 models--Qwen--Qwen3-TTS 或类似命名），删除后重新运行任务，软件会自动重新下载。

最后：如果仍未解决，请提供：

1. logs/ 目录中最新日志文件的完整内容（复制底部 50 行）。
2. 在命令行执行 nvidia-smi 的完整输出截图（重点看显存使用和 CUDA 版本）。
3. cosy.wav 的文件大小和时长。

参考文档：

• GPU 加速配置及常见问题
• 参考音频设置与克隆注意事项

Cuda compilation tools, release 12.8, V12.8.93

CUDA 12.8 版本满足要求，问题大概率出在 cuDNN 版本不匹配 或 参考音频 cosy.wav 不符合 Qwen3-TTS 的严格限制。

1. 检查 cuDNN 版本

打开命令提示符，运行以下命令查看 cuDNN 版本：

where cudnn*.h 2>nul || echo cudnn not found in PATH

如果没有输出，说明 cuDNN 未正确安装或不在 PATH 中。
软件要求 cuDNN 9.11 及以上，请前往 cuDNN 9.11 下载页 下载并安装。安装后确保将 bin 和 lib 目录添加到系统环境变量 PATH 中，重启软件。

2. 检查参考音频 cosy.wav

Qwen3-TTS 对克隆参考音频非常敏感：

• 格式：必须是 wav，采样率 44100Hz，单声道（mono）。
• 时长：3～10 秒，过长（>10s）会直接触发 device-side assert，过短（<3s）也会出错。
• 内容：仅包含清晰的人声，无背景噪声，开头结尾无静音。

请用 Audacity 或剪映等工具验证并修正 cosy.wav，然后将文件放入 软件目录/f5-tts/ 文件夹（注意：Qwen3-TTS 的参考音频也读取该目录），并在 菜单 → TTS设置 → 设置参考音频 中正确填写音频文本描述，格式为：

cosy.wav#音频中说话的文本内容

3. 临时验证方案

取消勾选主界面的 CUDA 加速，改用 CPU 运行。如果不报错 → 说明是 GPU 环境或显存问题；如果仍报错 → 确认是参考音频或模型本身问题。

建议先尝试 步骤 2，这是最常见的原因。如果仍无效，请提供 logs/ 下最新日志的完整内容（复制底部 50 行），我会进一步分析。