#7544 漏很多的句子，最新版本，内置的large-v3模型

语音识别"漏句"通常由 VAD（语音活动检测）切分参数过于激进导致——把一些停顿、轻声或短句判定为静音而丢弃。

请按以下顺序排查调整：

1. 调整 VAD 参数（主菜单 → 工具/选项 → 高级选项 → 语音识别参数）：

   • 增大 最长语音持续(VAD:max speech duration(s))，例如从默认 5 调到 8~10
   • 减小 静音分割持续毫秒(VAD:Min silence duration for split(ms))，例如从默认 600 调到 300~400，让停顿短的句子也能被切出来
   • 适当降低 语音阈值(VAD: Speech probability threshold)，越小越灵敏
   • 提高 非语音阈值(no speech threshold) 的值可减少漏字

2. 在"设置更多参数"中勾选：

   • 分离人声背景声（背景音干扰常导致漏识别）
   • 或 降噪（二者选一即可）
3. 注意参数逻辑关系：最长语音持续(秒) × 1000 必须大于 最短语音持续(毫秒)，否则会识别混乱。
   
   
4. 调整后重试时，务必勾选主界面的 清理已生成，避免复用上次已生成的错误字幕。
   
   

如果以上调整后仍大量漏句，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），以便进一步分析。

请查阅相关文档：

• 
  优化断句效果
• 
  调节VAD精确控制语音识别
• 
  faster-whisper(本地内置)

[DEBUG] [Video-Cut] 片段94 [原片段时长:12860.0ms] [目标:12860.0ms] [PTS:1.0] 完成。真实时长: 12884ms, 真实-应生=24.0ms
[DEBUG] [Video-Cut] 片段88 [原片段时长:3260.0ms] [目标:3260.0ms] [PTS:1.0] 完成。真实时长: 3246ms, 真实-应生=-14.0ms
[DEBUG] [Video-Cut] 片段82 [原片段时长:21760.0ms] [目标:21760.0ms] [PTS:1.0] 完成。真实时长: 21820ms, 真实-应生=60.0ms
[DEBUG] [Video-Cut] 片段66 [原片段时长:134510ms] [目标:134510ms] [PTS:1.0] 完成。真实时长: 135037ms, 真实-应生=527ms
[DEBUG] [Video-Cut] 片段76 [原片段时长:91090.0ms] [目标:91090.0ms] [PTS:1.0] 完成。真实时长: 91430ms, 真实-应生=340.0ms
[DEBUG] [Video-Cut] 片段96 [原片段时长:25150.0ms] [目标:25150.0ms] [PTS:1.0] 完成。真实时长: 25233ms, 真实-应生=83.0ms
[DEBUG] [Video-Cut] 片段86 [原片段时长:101970.0ms] [目标:101970.0ms] [PTS:1.0] 完成。真实时长: 102374ms, 真实-应生=404.0ms
[DEBUG] [Video-Cut] 片段87 [原片段时长:4540.0ms] [目标:5100ms] [PTS:1.1233480176211454] 完成。真实时长: 5137ms, 真实-应生=37ms
[DEBUG] [Video-Cut] 片段97 [原片段时长:4360.0ms] [目标:4540ms] [PTS:1.0412844036697249] 完成。真实时长: 4555ms, 真实-应生=15ms
[DEBUG] [Video-Cut] 片段95 [原片段时长:3760.0ms] [目标:4350ms] [PTS:1.1569148936170213] 完成。真
......
urbo'
[DEBUG] [新进程任务 开始:title='Model: large-v3-turbo']
[DEBUG] 新进程任务 参数:kwargs={'detect_language': 'en', 'model_name': 'large-v3-turbo', 'logs_file': 'D:/YII/tmp/34896/a328c0a64d/faster-en-1790050730.2920358.log', 'is_cuda': True, 'no_speech_threshold': 0.8, 'threshold': 0.3, 'condition_on_previous_text': False, 'audio_file': 'D:/YII/tmp/34896/a328c0a64d/recogn2pass-1790050729.8610365.wav', 'local_dir': 'D:/YII/models/models--mobiuslabsgmbh--faster-whisper-large-v3-turbo', 'compute_type': 'default', 'jianfan': False, 'audio_duration': 1854442, 'hotwords': '', 'prompt': '', 'beam_size': 5, 'best_of': 5, 'temperature': '0.0', 'repetition_penalty': 1.0, 'compression_ratio_threshold': 2.4, 'max_speech_ms': 10000, 'min_speech_ms': 3000, 'uuid': 'a328c0a64d', 'subtitle_srt': 'D:/YII/tmp/faster-20260922-12_18_50.srt', 'recogn2_max_speech': 1000, 'recogn2_min_speech': 300, 'device_index': 0, 'device_name': 'auto'}
[DEBUG] 开始加载 faster-whisper模型large-v3-turbo,数据类型:default
[DEBUG] [faster_whisper]加载模型large-v3-turbo: running on cuda,_compute_type='default'
[DEBUG] 直接传递完整音频，由faster-whisper内部VAD处理，返回字级时间戳数据
[DEBUG] faster-whisper模式下，对large-v3-turbo模型返回的字级时间戳进行断句
[DEBUG] 进入二次识别重新断句:recogn2_min_speech=300,recogn2_max_speech=1000,info.language='en'
[DEBUG] 二次识别断句完成
[DEBUG] faster-whisper下已临时保存识别结果到 D:/YII/tmp/faster-20260922-12_18_50.srt，防止进程崩溃后永久等待
[DEBUG] [新进程任务 title='Model: large-v3-turbo'] 已返回
[DEBUG] [新进程任务 结束:title='Model: large-v3-turbo']，耗时36.26637291908264s
[DEBUG] 二次识别成功完成

[DEBUG] 视频时长1868258ms-音频时长1854442ms=13816ms,需延长音频
[DEBUG] [最终视频合成]copy模式，无需重新编码:
['-y', '-progress', 'compose1790050823.9975164.txt', '-i', 'novoice.mp4', '-i', 'will_embed.m4a', '-map', '0:v', '-map', '1:a', '-c:v', 'copy', '-c:a', 'copy', '-movflags', '+faststart', '-fps_mode', 'vfr', '-shortest', 'laste_target.mp4']

从日志看，语音识别（large-v3-turbo）本身已正常完成、无报错，但你贴出的是二次识别 + 视频切割/合成阶段的日志，其中断句参数被压得极短，导致字幕被切得过于零碎，从而出现"字幕不全/句子被切散"的现象。核心问题在于参数设置：

1. 二次识别断句参数过短（最直接原因）
日志中：recogn2_max_speech=1000（1秒）、recogn2_min_speech=300（0.3秒）。
含义是：二次识别把每条字幕强制限制在 1 秒以内、最短 0.3 秒。这会把正常的一句话切成很多极短的碎片，看起来就是"漏句/字幕不完整"。
进入 菜单 → 工具/选项 → 高级选项 → 语音识别参数，把这两个值调回默认：

• 二次识别最长语音持续(秒)/Recognition(2): max duration(s)：1.5（或更大）
• 二次识别最短语音持续(毫秒)/Recognition(2): min duration(ms)：600

2. 主识别 VAD 切分参数
日志中 max_speech_ms: 10000, min_speech_ms: 3000，最长 10 秒/最短 3 秒属于正常范围，暂不调整。若主字幕也偏碎，可参考上一个问题的 VAD 调整建议。

3. 关于时长差
日志末尾 视频时长1868258ms - 音频时长1854442ms = 13816ms,需延长音频，这是正常的音画对齐处理（配音比视频短时补足），并非漏句原因，无需处理。

4. 重试前务必勾选 主界面的 清理已生成，否则会复用上次已生成的错误字幕。

调整后重试。如果仍有句子丢失，请把二次识别参数改回默认后，提供 logs/ 文件夹中最新的完整日志（含主识别 ASR 阶段）以便进一步判断。

请查阅相关文档：

• 优化断句效果
• 调节VAD精确控制语音识别
• 高级选项

总是会漏句子，视频嘴巴在说话，但却没声音

这是配音音频缺失导致的，不是语音识别漏句。核心原因有两类：

一类是 ASR 阶段确实漏识别（字幕里根本没这句），另一类是识别到了但配音阶段该句音频为空。从"嘴巴在动却没声音"的现象看，问题出在配音（TTS）阶段——某几句生成了静音或空文件。

请依次排查：

1. 排查是识别漏句还是配音漏音

• 打开输出目录，检查翻译后的 en.srt（目标语言字幕），看缺失的部分到底有没有字幕行。
• 若字幕有这行、但配音无声 → TTS 问题（见第 2 步）。
• 若字幕没有这行 → ASR 漏识别（见第 3 步）。

2. 配音无声的处理（最常见）

• 高级选项 → 字幕配音调整：

  • 将 并发配音线程数 设为 1
  • 将 配音后暂停秒 设为 5~10
  • 若用 Edge-TTS，把 EdgeTTS配音渠道配音并发数 也设为 1、失败重试次数提高到 5
• 勾选 保留每条字幕的配音文件，重试后去输出目录的配音文件夹，逐个检查哪句是空/极短文件。
• 若渠道是 Edge-TTS，高频请求会被微软限流导致静音，降并发后重试。

3. ASR 漏识别的处理

• 在"设置更多参数"勾选 分离人声背景声（背景音会吞掉轻声/快速说话）
• 高级选项 → 语音识别参数：静音分割持续 调到 300~400，最长语音持续 调到 8~10
• 检查是否使用了 自动检测 发音语言——若用了，可能返回错误语言代码导致后续整段丢失，请明确指定发音语言

4. 中途有编辑窗口时
你若是单视频交互模式，在配音完成后会弹出校对面板，能看到每句"配音时长"。若某行显示 0s 或被清空，该行就不会被合成，直接对应"没声音"。可在该面板中对该行右键 重新配音。

5. 重试前
务必勾选主界面 清理已生成，避免复用上次的错误字幕和错误配音缓存。

若调整后仍存在无声片段，请提供：软件版本号、使用的配音渠道、以及 logs/ 文件夹中最新日志（复制报错或配音阶段的约30行），以便进一步分析。

请查阅相关文档：

• 优化断句效果
• 调节VAD精确控制语音识别
• 高级选项
• 常见问题FAQ

配音完成后的srt字幕也缺失算吗

算，而且是关键判断依据。

配音完成后的 SRT 字幕也缺失，说明问题不在 TTS（配音）阶段，而是字幕文件本身就没生成这句——也就是在 语音识别（ASR） 或后续处理阶段就已经丢了，配音只是"照着缺失的字幕"配音，自然没声音。

因此排查方向应聚焦到语音识别阶段，而非配音阶段：

1. 确认缺失是在哪一步丢的
   打开输出目录，按顺序看这几个文件：

   • 原始语言字幕（如 zh-cn.srt / en.srt）：若这里就缺 → ASR 漏识别
   • 翻译后字幕：若原始字幕有、翻译后缺 → 翻译渠道问题（AI 合并了相邻行，会留空行，属正常）
   • 配音后的字幕：若前面都有、这里缺 → 才是配音阶段问题

2. ASR 漏识别的处理（你的情况大概率在此）

   • 在"设置更多参数"中勾选 分离人声背景声（背景音乐吞掉人声，是漏句最常见原因）

   • 高级选项 → 语音识别参数：

     • 静音分割持续 调到 300~400（让短停顿也能切出句子）
     • 最长语音持续 调到 8~10
     • 语音阈值 适当降低，非语音阈值 适当减小
   • 不要使用"自动检测"发音语言，明确指定语言，否则可能返回错误语言码导致整段丢失
3. 检查是否为二次识别压缩导致
   你之前的日志中 recogn2_min_speech=300、recogn2_max_speech=1000，会把字幕切得极短、并可能合并丢行。请把这二次识别参数改回默认（max 1.5 秒 / min 600 毫秒）。
   注意：二次识别会重新生成一份字幕覆盖，若它丢句，最终字幕就会缺——这也是"配音后字幕缺失"的常见来源。
4. 重试前务必勾选主界面的 清理已生成，否则会复用上次已生成的缺失字幕。

请点击下面链接参考优化断句和 VAD 参数。若调整后仍漏句，请提供 logs/ 文件夹中最新日志的 ASR 阶段内容（约30行）以便分析。

请查阅相关文档：

• 优化断句效果
• 调节VAD精确控制语音识别
• 高级选项
• 常见问题FAQ

语音识别哪个模型最精准最好用，中午的

你说的"中午的"应是"中文的"。

中文识别最精准好用的模型推荐如下：首选：Qwen-ASR(内置)中文效果最佳，也支持英文等少数语言。

无论是否勾选 CUDA 加速，只要 CUDA 可用都优先走 GPU，速度快。

备选（中文效果同样优秀）：阿里FunASR(内置)，模型选 paraformer-zhFirered中文(内置)，小红书模型，中文及20种方言；仅支持中文及英文，固定 CPU（onnx），无 GPU 加速Huggingface_ASR(内置)，选 zai-org/GLM-ASR-Nano-2512（智谱AI，中文粤语效果好）收费推荐（中文极佳）：豆包语音识别大模型极速版（需在字节平台开通）小米 mimo-v2.5-asr（需在小米AI平台开通并充值）通用但中文非最优：faster-whisper / openai-whisper 选 large-v3，多语言通用、质量高，但中文标点和专业识别不如上面几个中文专用模型。

综合建议：纯中文视频 → 首选 Qwen-ASR(内置)；若需兼顾多语种且图省事 → faster-whisper 的 large-v3-turbo。

提高中文识别准确率补充设置：在"设置更多参数"勾选 分离人声背景声高级选项 → 语音识别参数：静音分割持续调到 300~400，最长语音持续 8~10，热词中填入视频中的专有名词（英文逗号分隔）请查阅相关文档：
语音识别所有渠道
Qwen-ASR(本地内置)
阿里FunASR(本地内置)
最佳配置推荐