#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

self.cfg=[TaskCfgVTT]当前工作模式: 翻译视频 单视频模式
原始输入文件名: E:/素材/9月22日 (7)_2026-09-22_20-13-18.mp4,
输出结果保存到文件夹: E:/作者/9月22日 (7)_2026-09-22_20-13-18-mp4,
临时文件夹: D:/YII/tmp/23864/1287cd5f18
已选 清理已存在
已启用CUDA加速
未选 降噪
语音识别:faster-whisper(内置), large-v3, 发音语言: 简体中文, 断句方式:默认断句
翻译渠道:Google(免费),原始语言:简体中文,目标语言:英语, 已选 发送完整字幕
配音渠道:Edge-TTS(免费), 角色:Guy(Male/US), 配音语言:英语, 已选 二次语音识别
音量:+100%, 语速:-2%, 未选 音频加速, 已选 视频慢速
字幕: 不嵌入字幕
[DEBUG] The file info after process:result={'video_fps': 30.0, 'r_frame_rate': 30.0, 'video_codec_name': 'hevc', 'audio_codec_name': 'aac', 'width': 1920, 'height': 1080, 'time': 3153266, 'streams_len': 2, 'streams_audio': 1, 'video_streams': 1, 'color': 'yuv420p'}
[DEBUG] 返回缓存的编解码器 Windows-264: h264_nvenc
[DEBUG] 原始hw_type='h264_nvenc'
[DEBUG] 整理后hw_type='nvenc'
[DEBUG] [尝试硬件编解码执行命令]
-y -fflags +genpts -i E:/素材/9月22日 (7)_2026-09-22_20-13-18.mp4 -an -c:v h264_nvenc novoice.mp4

[DEBUG] app_cfg.proxy=None
[DEBUG] 无法连接 huggingface.co, 使用镜像替换: hf-mirror.com
[DEBUG] 从 modelscope.cn 下载模型 model_id='large-v3'
[DEBUG] 获取到下载锁，开始从 modelscope.cn 下载 Systran/faster-whisper-large-v3
Downloading Model from https://www.modelscope.cn to directory: D:\YII\models\models--Systran--faster-whisper-large-v3
2026-09-23 19:30:23,798 - modelscope - INFO - Got 7 files, start to download ...

Processing 7 items: 0%| | 0.00/7.00 [00:00

从这段日志看，目前没有报错，属于正常启动和首次加载模型阶段，但有几处需要提醒：1. 模型正在在线下载日志显示正在从 modelscope.cn 下载 large-v3 模型到 D:\YII\models\models--Systran--faster-whisper-large-v3，7 个文件。请耐心等待下载完成，期间不要关闭软件。若长时间卡住或下载失败，可参考模型手动下载方法。2. 关于你之前反馈的漏句问题，注意当前设置的隐患：发音语言已明确指定为简体中文（正确，未用自动检测）已勾选 二次语音识别：二次识别会重新生成一份字幕，若其断句参数过短会丢句。请务必把高级选项中的 二次识别最长语音持续 设为 1.5 秒、二次识别最短语音持续 设为 600 毫秒，不要再设成 1000/300。未选 音频加速、已选 视频慢速：这个组合会导致画面被强行放慢，视频体积暴涨且音画仍可能不同步。建议改为勾选 音频加速，取消 视频慢速。已勾选 清理已存在，重试无误。字幕嵌入类型设为 不嵌入字幕（只替换声音），若你需要字幕跟随，请改为嵌入软字幕或硬字幕。3. 本次任务语言方向是 中文 → 英文，配音 Edge-TTS 英语 Guy 角色，属常规配置，无冲突。如果下载完成后运行仍出现漏句，请把 logs/ 文件夹中最新的日志（重点是语音识别和二次识别阶段的约30行）发来。请查阅相关文档：手动下载模型优化断句效果高级选项字幕语音画面对齐

视频只有一半有声音，后一半无声

这是配音音频在视频后半段未被正确合成的典型现象，核心原因通常是音频时长与视频时长不匹配时的处理方式，或单句配音为空所致。请按以下排查：最可能原因：勾选了"视频慢速"而未勾选"音频加速"从你上一条日志看，当前设置为 未选 音频加速、已选 视频慢速、且 不嵌入字幕。这种组合下，若配音总时长短于视频，后半段会以静音填充，表现为画面在动但无声。请改为：勾选 音频加速取消 视频慢速或两者都勾选（协同对齐，效果最佳）。2. 检查后半段是否配音整体缺失在输出目录查看配音后的 srt 和目标语言 srt，确认后半段是否有对应字幕行。若字幕齐全但无声 → 配音音频问题，见第 3 步。若字幕本身就缺 → 仍回到语音识别漏句问题（Qwen-ASR/FunASR 等中文模型 + 调整 VAD）。3. 配音静音（Edge-TTS 限流）高级选项 → 字幕配音调整：并发配音线程数 设为 1配音后暂停秒 设为 5~10EdgeTTS配音渠道配音并发数 设为 1、失败重试次数调高Edge-TTS 高频请求被微软限流时会生成静音，导致后半段无声。4. 音频时长不足导致尾部静音日志中曾出现 视频时长 - 音频时长 = 13816ms,需延长音频，即配音比视频短，补了约 14 秒静音。如果这个差值很大，就会造成末尾大段无声。解决：勾选 音频加速 或 提高配音语速（如 +10%~+15%）5. 重试前务必勾选主界面 清理已生成。调整后重试。若仍只有前半段有声音，请把 logs/ 文件夹中最新日志的配音与最终合成阶段（约30行）发来。请查阅相关文档：字幕语音画面对齐高级选项常见问题FAQEdge-TTS

字幕更奇怪，只有750行

750 行本身不能直接判定异常，需要结合视频时长来判断，但结合你之前"漏句/后段无声"的情况，更可能是两种原因之一：一是语音识别在长视频后半段提前结束（字幕没生成到末尾），二是翻译阶段被 AI 合并成空行导致行数看似正常但内容缺失。判断方法：看最后一行字幕的时间点。打开输出目录的字幕文件（原始语言 zh-cn.srt 或目标语言 en.srt）：若最后一行的时间码接近视频总时长 → 字幕是完整的，750 行正常。若最后一行时间码明显小于视频总时长（例如视频 52 分钟，字幕只到 20 分钟）→ 识别在中途就停了，后半段根本没有字幕。如果是后者（关键）：这说明 ASR 未识别完整个视频，原因和解决：确认发音语言是 简体中文（你的日志已是，正确，未用自动检测）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在"设置更多参数"勾选 分离人声背景声重新识别，务必勾选 清理已生成。如果字幕行数正常但内容奇怪（大段空白、中英错位、部分行无译文）：这是 AI/翻译渠道的问题。Google 免费渠道对长字幕可能限流返回空。建议：改用 DeepSeek 等 AI 渠道翻译高级选项 → 字幕翻译：AI翻译渠道每批字幕行数 设为 1（避免合并错位）。请先打开字幕文件确认最后一行的结束时间，再对照上面两条处理。如仍无法解决，请提供字幕文件最后 5 行内容，以及 logs/ 中最新日志。请查阅相关文档：优化断句效果调节VAD精确控制语音识别为什么翻译后会出现空白字幕行提高AI渠道翻译字幕的质量

[DEBUG] 清理视频慢速中生成的视频片段，共删除了 350 个文件。
[DEBUG] [SpeedRate] 新视频生成完毕，总时长: 4315502ms
[DEBUG] len(audio_list)=361: 配音列表累积总时长=4309440.0ms
[DEBUG] [Audio-Concat] 最终音频已生成到: D:/YII/tmp/23864/1287cd5f18/target.wav

[DEBUG] 二次识别：faster-whisper + detect_language='en' + model_name='large-v3-turbo'
[DEBUG] app_cfg.proxy=None
[DEBUG] 无法连接 huggingface.co, 使用镜像替换: hf-mirror.com
[DEBUG] 从 modelscope.cn 下载模型 model_id='large-v3-turbo'
[DEBUG] 获取到下载锁，开始从 modelscope.cn 下载 mobiuslabsgmbh/faster-whisper-large-v3-turbo
Downloading Model from https://www.modelscope.cn to directory: D:\YII\models\models--mobiuslabsgmbh--faster-whisper-large-v3-turbo
2026-09-23 19:55:19,455 - modelscope - INFO - Got 7 files, start to download ...

Processing 7 items: 0%| | 0.00/7.00 [00:00

这段日志无报错，是二次识别阶段正在下载 large-v3-turbo 模型，属正常流程，等待下载完成即可。其中关键信息值得关注：len(audio_list)=361：配音列表共 361 句，累积时长 4309440ms（约 71.8 分钟），与视频慢速后总时长 4315502ms 基本吻合，说明音画对齐阶段处理正常。慢速处理共删除 350 个视频片段，说明"视频慢速"被大量启用，这正是你之前视频体积暴涨、后半段静音的来源。结合你的问题，仍需提醒：二次识别模型在重复下载（每次任务都下）。说明该模型未被正确缓存，或下载未完整。若反复下载失败会拖慢并可能导致字幕异常。建议检查 D:\YII\models\models--mobiuslabsgmbh--faster-whisper-large-v3-turbo 是否完整，不完整则删除后按手动下载方式补齐。二次识别会用 large-v3-turbo 重新生成字幕并覆盖，请务必把高级选项中的 二次识别最长语音持续 设为 1.5 秒、二次识别最短语音持续 设为 600 毫秒（默认），不要再设成 1000/300，否则字幕会被切碎丢行。你之前反馈的"后段无声、字幕行数少"，根源在 未选 音频加速 + 已选 视频慢速 的组合。建议改为勾选 音频加速、取消 视频慢速。等本次下载和识别完成后，先看输出目录里字幕最后一行的结束时间是否接近视频总时长（4315 秒），即可判断是否又漏了后半段。请查阅相关文档：手动下载模型优化断句效果字幕语音画面对齐高级选项