#6894 语音识别阶段出错[Huggingface_ASR(内置)] The expanded size of the tensor (5477) must match the existing size (3000) at non-singleto

这是由于 Huggingface_ASR 渠道的 kotoba-tech/kotoba-whisper-v2.0 模型在处理音频切片时出现张量尺寸不匹配，属于模型兼容性或模型文件不完整导致的内部错误。

请按以下顺序排查处理：

1. 重新下载/校验模型文件
   先删除本地缓存中不完整的模型目录，再让软件重新下载。模型存放位置为：
   软件目录/models/models--kotoba-tech--kotoba-whisper-v2.0
   将其整个文件夹删除后，重新执行任务，软件会自动从 Huggingface 或镜像站重新拉取模型。
2. 更换为更稳定的识别渠道
   建议改用默认推荐渠道 faster-whisper(内置)，模型选 large-v3-turbo 或 large-v3，发音语言设为日语。该渠道兼容性好、速度快、质量高。

3. 调整语音识别参数（可选）
   如果仍需使用该模型，可在 菜单 → 工具 → 高级选项 → 语音识别参数 中进行如下调整：

   • 勾选 Whisper预分割音频
   • 将 最长语音持续(秒) 设为 10
   • 将 最短语音持续(毫秒) 设为 3000
     这有助于避免过长音频切片导致的维度冲突。
4. 尝试临时关闭 CUDA 加速
   在确认不是显存问题后，可取消主界面 CUDA加速 复选框，改用 CPU 运行以验证是否为 CUDA 兼容性问题。若 CPU 下正常，则说明是模型在 GPU 环境下存在的缺陷。

若以上操作后仍报同样错误，请确认你使用的模型列表是否包含该模型，并检查 logs/ 目录下最新日志，索要完整日志进一步分析。

请查阅相关文档：

• Huggingface_ASR(内置)渠道说明
• 手动下载模型
• 常见问题FAQ

语音识别阶段出错[Huggingface_ASR(内置)] The expanded size of the tensor (5477) must match the existing size (3000) at non-singleton dimension 1. Target sizes: [128, 5477]. Tensor sizes: [128, 3000]:Traceback (most recent call last):
File "videotrans\process\stt_pipe.py", line 94, in pipe_asr
File "D:\win-pyvideotrans-v4.11\_internal\transformers\pipelines\automatic_speech_recognition.py", line 244, in call

return super().__call__(inputs, **kwargs)

File "D:\win-pyvideotrans-v4.11\_internal\transformers\pipelines\base.py", line 1245, in call

outputs = list(final_iterator)

File "D:\win-pyvideotrans-v4.11\_internal\transformers\pipelines\pt_utils.py", line 126, in next

item = next(self.iterator)

File "D:\win-pyvideotrans-v4.11\_internal\transformers\pipelines\pt_utils.py", line 271, in next

processed = self.infer(next(self.iterator), **self.params)

File "D:\win-pyvideotrans-v4.11\_internal\torch\utils\data\dataloader.py", line 733, in next
......
ost recent call last):
File "videotrans\process\stt_pipe.py", line 94, in pipe_asr
File "D:\win-pyvideotrans-v4.11\_internal\transformers\pipelines\automatic_speech_recognition.py", line 244, in call

return super().__call__(inputs, **kwargs)

File "D:\win-pyvideotrans-v4.11\_internal\transformers\pipelines\base.py", line 1245, in call

outputs = list(final_iterator)

File "D:\win-pyvideotrans-v4.11\_internal\transformers\pipelines\pt_utils.py", line 126, in next

item = next(self.iterator)

File "D:\win-pyvideotrans-v4.11\_internal\transformers\pipelines\pt_utils.py", line 271, in next

processed = self.infer(next(self.iterator), **self.params)

File "D:\win-pyvideotrans-v4.11\_internal\torch\utils\data\dataloader.py", line 733, in next

data = self._next_data()

File "D:\win-pyvideotrans-v4.11\_internal\torch\utils\data\dataloader.py", line 789, in _next_data

data = self._dataset_fetcher.fetch(index)  # may raise StopIteration

File "D:\win-pyvideotrans-v4.11\_internal\torch\utils\data\_utils\fetch.py", line 43, in fetch

return self.collate_fn(data)

File "D:\win-pyvideotrans-v4.11\_internal\transformers\pipelines\base.py", line 173, in inner

padded[key] = _pad(items, key, _padding_value, padding_side)

File "D:\win-pyvideotrans-v4.11\_internal\transformers\pipelines\base.py", line 109, in _pad

tensor[i, : len(item[key][0])] = item[key][0]

RuntimeError: The expanded size of the tensor (5477) must match the existing size (3000) at non-singleton dimension 1. Target sizes: [128, 5477]. Tensor sizes: [128, 3000]
[SpeechToText]语音转录: self.out_format='srt',self.copysrt_rawvideo=True,self.spk_insert=False
[TaskCfgSTT]
原始输入文件名: C:/Users/1/Desktop/AARM-359J.mp4,
输出结果保存到文件夹: D:/BaiduNetdisk

该错误是 Huggingface_ASR 渠道中 kotoba-tech/kotoba-whisper-v2.0 模型在音频切片拼接（padding）时发生的张量尺寸冲突，属于该模型与当前 Transformers 版本兼容性问题或模型文件不完整导致。

请按以下顺序处理：

1. 删除模型并重新下载
   找到软件目录下的 models/models--kotoba-tech--kotoba-whisper-v2.0 文件夹，将其整个删除，然后重新执行任务让软件自动下载。若自动下载失败，可手动前往 模型下载地址 下载所有文件覆盖到该目录。

2. 替换为更稳定的日语识别渠道
   该模型在 v4.11 中兼容性较差，建议改用以下渠道替代：

   • parakeet日语(内置)：仅支持日语，效果好
   • openai-whisper(内置) 模型选 large-v3：通用识别质量最高
   • faster-whisper(内置) 模型选 large-v3-turbo：速度与质量兼顾

3. 调整语音识别参数（如果继续使用该模型）
   在 菜单 → 工具 → 高级选项 → 语音识别参数 中：

   • 勾选 Whisper预分割音频
   • 将 最长语音持续(秒) 设为 10
   • 将 最短语音持续(毫秒) 设为 3000
     这能避免过长的音频切片进入模型而触发 padding 冲突。
4. 临时关闭 CUDA 加速
   取消主界面的 CUDA加速 复选框，改为 CPU 运行验证是否为 GPU 环境下的异常。若 CPU 下正常，说明该模型在 CUDA 模式下存在缺陷，需要更换渠道。

若上述操作均无效，请提供 logs/ 文件夹中最新的完整日志，以便进一步定位。

请查阅相关文档：

• Huggingface_ASR(内置)渠道说明
• 手动下载模型

占用这么多内存啊

本地AI模型（如 kotoba-whisper-v2.0）运行时需要将模型权重加载到内存/显存中，占用数GB是正常现象。尤其是启用了CUDA加速时，显存和内存会同时被占用。

如果内存占用过高导致系统卡顿或崩溃，可采取以下措施降低资源消耗：

1. 更换更小的模型：在语音识别渠道中，改用 faster-whisper(内置) 的 tiny、base 或 small 模型（显存需求约1~2GB），日语识别也支持。
2. 调整计算数据类型：进入 菜单 → 工具 → 高级选项 → 语音识别参数，将 计算数据类型 改为 int8（最省资源）或 float16（适配GPU）。
3. 降低识别精度：将 beam_size 和 best_of 都设为 1，可显著减少显存占用。
4. 关闭上下文感知：取消勾选 启用上下文感知。
5. 限制并发任务数：在 高级选项 → 通用设置 中，将 GPU同时任务数 设为 1，CPU同时任务数 设为 2~4（不要超过物理核数）。
6. 关闭CUDA加速（临时验证）：取消主界面的 CUDA加速 复选框，改用CPU运行，观察内存占用是否下降。若CPU下正常，说明是GPU环境下的资源问题。

若内存占用依然过高且导致系统不稳定，建议直接更换为 faster-whisper(内置) 渠道，选择 large-v3-turbo 模型，该渠道在速度、精度和资源占用方面更均衡。

2060S适合什么精度

RTX 2060 Super 显存为 8GB，推荐使用 float16 精度。float16 专为 GPU 加速优化，显存占用约为 float32 的一半，速度较快，精度损失极小，适合 2060S 这样的中端显卡。若运行 large-v3 等大模型时显存不足，可进一步降为 int8，但精度会略有下降。

设置位置：菜单 → 工具 → 高级选项 → 语音识别参数 → 计算数据类型，选择 float16 即可。此外建议同时将 beam_size 和 best_of 设为 1，以降低显存压力。

一直卡在37这一条

卡在37条大概率是语音识别阶段某个音频切片过长或模型推理卡死，常见于 Huggingface_ASR 渠道的 kotoba 模型在 CUDA 或 CPU 模式下出现兼容性异常。建议立即终止任务并按以下步骤处理：切换到 faster-whisper(内置) 渠道模型选 large-v3-turbo，发音语言设为 ja。该渠道稳定且对日语识别效果好。若仍想用 Huggingface_ASR，请先在 菜单 → 工具 → 高级选项 → 语音识别参数 中勾选 Whisper预分割音频，并将 最长语音持续(秒) 设为 10、最短语音持续(毫秒) 设为 3000，可避免过长切片导致的卡死。关闭 CUDA 加速临时验证：取消主界面的 CUDA加速 复选框，改用 CPU 运行。若 CPU 下不卡，则说明是 GPU 兼容性问题。若卡点出现在单视频交互模式的编辑窗口，请检查是否弹出了字幕编辑界面需要手动操作，或确认“单视频交互模式暂停时间”是否设为了等待状态。若以上操作无效，请提供软件安装目录下 logs/ 文件夹中最新的日志文件（复制底部约30行报错信息），以便进一步分析。

RTX 2060 Super 显存为 8GB，推荐使用 float16 精度 16精度是好一点吗 跟8对比

是的，float16（16位浮点）精度比 int8（8位整数）更好，但显存占用和计算资源也更高。

两者对比：

你的 RTX 2060 Super 显存为 8GB，推荐优先使用 float16。在运行 large-v3-turbo 等常用模型时，float16 可以兼顾精度和显存占用，是 2060S 的平衡点。如果遇到显存不足（报 CUDA out of memory），再降为 int8 即可。

设置位置：菜单 → 工具 → 高级选项 → 语音识别参数 → 计算数据类型，选择 float16。

选择LLM断句

LLM重新断句需要使用 DeepSeek 或 OpenAI ChatGPT 等大模型接口，并且会消耗 API 额度。如果尚未配置，选择该项会报错。可先确认以下设置：在 菜单 → 工具 → 高级选项 → 通用设置 中，将 LLM重新断句所用AI渠道 选为 DeepSeek 或 OpenAI-ChatGPT，并在对应的翻译设置中填入 API Key。若已配置好渠道，即可在语音识别参数中开启“LLM重新断句”。

注意：LLM重新断句仅在你选择“断句方式”为“LLM重新断句”时生效，且会禁用说话人分离。若使用 clone 配音角色，强烈建议不要开启 LLM 断句，以免破坏时间轴。若截图中的选项无法选择或报错，请确认：

1. 是否已填写 DeepSeek/OpenAI 的 API Key；
2. 该 AI 渠道是否可用；
3. 网络代理是否正常访问对应服务。

若仍无法运作，请提供 logs/ 目录下最新日志以进一步分析。