#8367 2个小时视频翻译 40分钟开始 全是重复翻译？

两小时长视频从 40 分钟处开始出现大段重复，最常见的原因有两点：一是语音识别在无声或纯背景音乐段触发了 Whisper 幻觉循环，二是翻译阶段因原始字幕本身重复而陷入死循环并耗尽 token。需先在输出目录区分是哪个阶段出问题。

第一步：定位重复发生在哪个阶段
进入输出目录（默认 视频同级/_video_out/视频名-格式/），分别打开：

• 原始语言字幕（如 zh-cn.srt）
• 目标语言字幕（如 en.srt）

1. 若原始字幕在 40 分钟后就是重复内容：这属于语音识别幻觉，请按第二步处理。
2. 若原始字幕正常、只有译文字幕重复或大量空白：这属于翻译阶段问题，请按第三步处理。

第二步：解决识别幻觉重复
打开 菜单 → 工具 → 高级选项 → 语音识别参数：

1. 取消勾选 启用上下文感知。该选项容易导致重复和幻觉，是长音频重复的首要原因。
2. 将 重复惩罚(repetition penalty) 调大，例如 1.1~1.3。
3. 将 文本压缩率(compression ratio threshold) 调小，例如 2.0 以下。
4. 将 采样温度(temperature) 设为 0。
5. 非语音阈值(no speech threshold) 适当调大，避免把音乐误判成语音。
6. 回到主界面点 设置更多参数，勾选 降噪 或 分离人声背景声；40 分钟处若是长时间无对白的音乐、片头片尾，幻觉概率极高。
7. 重新翻译时务必勾选 清理已生成。

第三步：解决翻译重复

1. 进入 菜单 → 工具 → 高级选项 → 字幕翻译，将 AI翻译渠道每批字幕行数 改为 10~20（值过大易超出 max tokens 导致截断或死循环）。
2. 检查原始字幕中 40 分钟附近是否有大量重复词句（如连续几十个相同单词），这类文本几乎必然导致模型死循环，需先手动删改原字幕。
3. 删除 软件目录/tmp/translate_cache/ 下的缓存文件，或勾选主界面 清理已生成，避免读到旧缓存。
4. 若使用 AI 渠道，确认其最大输出 token 设置足够。

补充建议：2 小时单文件对本地模型和 API 都是极限场景，建议先用左侧 语音转录 功能单独生成字幕，检查并修正后，再用主界面 导入发音语言字幕 按钮跳过识别阶段，只做翻译和配音，便于分段排查。

若按上述步骤处理后仍复现，请提供：软件版本号、所用语音识别与翻译渠道、是否为源码部署，以及 logs/ 目录下最新日志文件底部约 30 行报错信息。

请查阅相关文档：

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

若使用 AI 渠道，确认其最大输出 token 设置足够 怎么设置

Max tokens（最大输出 token）不在高级选项里，而是在各个 AI 渠道自己的设置窗口中填写。

设置位置

1. 点击软件顶部菜单栏 翻译设置（英文界面为 Translate Settings）。
2. 在下拉列表中选择你当前使用的 AI 翻译渠道（如 DeepSeek、OpenAI ChatGPT、Gemini、智谱AI、阿里百炼、硅基流动 等）。
3. 弹出的设置窗口中，除 API Key、模型名称 外，还有一项 最大输出token／max tokens／max_token，在该处填写数值。
4. 保存后关闭窗口。

填写建议

• 常规字幕翻译：4096 足够。
• 若你使用 发送完整字幕、AI翻译附带所有字幕做参考、或渠道开启了 Thinking 思考模式：建议 8192 或更高，思考模式会占用大量输出 token，过小会被截断并报 Could not parse response content as the length limit was reached。
• 上限受该模型自身限制，超出模型上限会直接报错，不要盲目填极大值。

更关键的调整

单纯调大 max tokens 只是缓解方式。导致长视频重复或截断的根本原因是单次发送的字幕太多，建议优先：

1. 菜单 → 工具 → 高级选项 → 字幕翻译，将 AI翻译渠道每批字幕行数 改为 10~20。
2. 检查 40 分钟处的原始字幕文本是否本身存在大量重复词句，如果有，需先手动删改。
3. 删除 软件目录/tmp/translate_cache/ 下缓存，或勾选主界面 清理已生成，避免读到错误的旧缓存。

请查阅相关文档：

• 提高AI渠道翻译字幕的质量
• DeepSeek
• ChatGPT翻译
• 高级选项
• 常见问题FAQ

2小时视频
翻译设置 DEEPSEEK AI 最大输出TOKEN需要多少？

先纠正一个关键误解：max tokens 按单次请求计算，与视频总时长无关。2 小时视频的字幕是分批发送给 DeepSeek 的，并不会一次性全部提交，所以“2 小时”本身不需要更大的 token 值。真正决定该填多少的，是你设置的每批字幕行数。

知识库未给出 DeepSeek 渠道的固定数值，以下按单次请求的字幕量给出建议区间。

一、设置位置
菜单栏 → 翻译设置 → DeepSeek → 在弹出的窗口中填写 最大输出token（max_token），保存即可。

二、按每批字幕行数对应建议

三、三个必须注意的点

1. 不要盲目填大。上限由 DeepSeek 模型自身决定，超出模型支持范围会直接报错。若不确定，先用 4096 跑一小段测试。
2. 长视频的根本解法是减小批次行数，而非加大 token。将「AI翻译渠道每批字幕行数」设为 10~20，比调大 max tokens 更能避免 40 分钟后出现的重复与截断。
3. 若报错中出现 Could not parse response content as the length limit was reached - CompletionUsage(completion_tokens=16384, ...)，说明输出已被截断：此时要么把 max tokens 调大，要么把每批行数调小，二者选其一即可。

四、另外请务必检查
40 分钟处的原始语言字幕（如 zh-cn.srt）文本中是否存在大量重复词句。若原字幕本身就有几十行相同的词，DeepSeek 几乎必然陷入死循环直至耗尽 token，这种情况调多少 token 都无效，必须先手动删改原字幕。
处理完后删除 软件目录/tmp/translate_cache/ 下的缓存，或在主界面勾选 清理已生成 再重试，避免读到错误的旧缓存结果。

请查阅相关文档：

• 提高AI渠道翻译字幕的质量
• DeepSeek
• 高级选项
• 常见问题FAQ

2小时视频日语翻译 漏掉很多怎么办？

日语长视频出现很多漏句时，关键要判断问题出在“识别阶段漏句”还是“翻译阶段丢行”，两者处理方法不同。请先打开输出目录（默认在视频同级的 _video_out/视频名-格式/），查看原始日语字幕 ja.srt 和译文字幕文件的行数。

一、如果原始 ja.srt 本身就不完整（识别漏句）

1. 确认主界面「发音语言」明确选择“日语”，绝不能选“自动检测”。自动检测要求识别渠道必须使用 faster-whisper、openai-whisper 或 Qwen-ASR，否则容易出错。

2. 日语识别强烈建议更换模型，不要使用默认的 turbo 小模型：

   • faster-whisper(内置) → large-v3（日语的准确度明显优于 turbo、medium 及以下）
   • 或 openai-whisper(内置) → large-v3
   • 或 Huggingface_ASR(内置) → kotoba-tech/kotoba-whisper-v2.0、reazon-research/japanese-wav2vec2-large-rs35kh（日语专用模型）
   • 或 Nemotron-3.5-asr-0.6b(内置)

3. 进入 菜单 → 工具 → 高级选项 → 语音识别参数 调整切分：

   • 静音分割持续(毫秒)：日语语速快、句间停顿短，默认 600 会漏掉短句，可调小到 300~400
   • 语音阈值：调小更灵敏，避免把轻声或快语速判成静音
   • 非语音阈值：该值越小越容易把真实语音判为非语音而丢弃，漏句严重时应适当调大
   • 最长语音持续(秒)：可调大到 8~10，避免长句被硬切
4. 回到主界面点「设置更多参数」，勾选 分离人声背景声（或 降噪）。日语视频常有 BGM，背景声是漏句和幻觉的主要诱因。
5. 2 小时单文件属于极限场景。建议先用左侧「语音转录」功能单独生成 ja.srt，人工检查补漏后，再回主界面用右侧「导入发音语言字幕」按钮导入，跳过识别阶段，只做翻译与配音。这样也便于定位问题到底出在识别还是翻译。

二、如果原始 ja.srt 完整，只是译文字幕变少或出现空白行（翻译丢行）

1. 日语原文没有空格，AI 极易把相邻几条短字幕合并翻译，导致行号错位、后续对应关系全部混乱。在 菜单 → 工具 → 高级选项 → 字幕翻译 中：

   • 将 AI翻译渠道每批字幕行数 设为 10~20
   • 取消勾选 发送完整字幕，改为逐行提交
   • 不要勾选 使用LLM重新断句替代LLM纠错（会必然改变字幕条数）
2. 译文中出现的空白行不一定是漏翻。空白行是为保持时间轴与原字幕严格对应而保留的，属正常现象，若确认某行确实未翻译，再按上一条处理。
3. 日语目标字幕换行可调整 中日韩字幕单行字符数，但这只影响显示，不影响是否漏句。
4. 处理完后删除 软件目录/tmp/translate_cache/ 下缓存，或在主界面勾选 清理已生成 再重试，避免命中错误的旧缓存。

三、若按上述操作后仍大量漏句，请提供软件版本号、所用语音识别渠道与模型、翻译渠道（DeepSeek）、是否为源码部署，以及 logs/ 目录下最新日志底部约 30 行内容，以便分析。

请查阅相关文档：

• 调节VAD精确控制语音识别
• 优化断句效果
• 最佳配置推荐
• 提高AI渠道翻译字幕的质量
• 为什么翻译后会出现“空白字幕行”

怎么修改字幕

修改字幕的入口取决于你要在哪个阶段修改。软件一次只选一个视频时会进入交互模式，在识别后、翻译后、配音后分别弹出编辑窗口。若想跳过这些窗口，将 菜单 → 工具 → 高级选项 → 单视频交互翻译暂停倒计时 设为 0。

一、在软件内置窗口中修改（推荐）

前提：一次只选择一个视频，才会弹窗；多选批量时不会暂停。

1. 阶段一：语音识别完成后弹出原始字幕窗口。修改前先点击右上角倒计时按钮关闭自动继续。
2. 阶段二：字幕翻译完成后弹出配音分配窗口，同样先关闭倒计时。
3. 阶段三：配音完成后弹出校对面板，可调整时间与重新配音。
4. 阶段四：若勾选了二次识别，还会再弹一次字幕编辑窗口。

各列操作方式：

• 带铅笔图标的列（开始时间、结束时间），双击即可编辑，数值单位为秒。
• 单元格上按 Ctrl + 左右方向键可微调时间。
• 右键时间单元格：开始时间减小/增大 0.1s、结束时间减小/增大 0.1s。
• 注意：开始时间不能早于上一句结束时间，结束时间不能晚于下一句开始时间。
• 点击三角形播放按钮可预览该句对应的视频片段。
• 字幕文本列双击可直接修改文字。

二、修改文字后必须重新配音

在阶段三的校对面板中修改字幕文字后，仅改文字不会自动生效，必须在该行“配音时长”或“字幕”列上右键，点击 重新配音，程序才会按新文字重新生成语音。若某行文字被清空或配音时长显示为 0s，该条配音将不被合成。

三、用外部工具修改字幕文件（批量或长视频推荐）

1. 在编辑窗口中点击 打开字幕文件夹，找到对应文件，如中文发音为 zh-cn.srt，翻译后为 en.srt。
2. 用外部编辑器（记事本、Subtitle Edit 等）修改并保存，务必保持 SRT 格式与时间轴规范。
3. 回到软件界面点击 不保存只继续，后续流程将使用你修改过的文件。

四、直接使用已有 SRT 跳过生成

• 单视频：主界面右侧字幕显示区底部有 导入发音语言字幕 和 导入目标语言字幕 两个按钮，可分别跳过识别或翻译。
• 批量：将字幕放入 _video_out/视频名-格式/ 目录，并命名为标准语言代码（如 ja.srt、zh-cn.srt）。

五、关键注意事项

• 重新处理同一视频时，若不勾选 清理已生成，软件会复用已有的 srt 文件；若勾选了，则会删除你手动修改过的字幕。
• 若嵌入了 双字幕，修改后需保证原文与译文条数严格一致，否则会错位。
• 修改完成后若结果无变化，可能是命中了 old 缓存，删除 软件目录/tmp/translate_cache/ 下的缓存文件。

2小时日语视频 语音转录 开启降噪 开启CUDA 需要多久

无法给出确切时长，因为知识库没有该场景的耗时基准，而且实际用时高度依赖硬件。但有一点必须先说明：降噪固定使用纯 CPU 的 onnx 模型（不走 GPU 加速），并且知识库将其标注为“较慢”；因此你即使开启了 CUDA，降噪环节仍会全程占满 CPU，很可能成为整个转录过程的主要瓶颈。

影响耗时的关键变量

• 显卡型号与显存：CUDA 只加速语音识别部分，不同显卡（如 3060、4090 配 large-v3）耗时可相差数倍。
• 识别模型：tiny 最快但精度低，large-v3 最慢但精度最高，两者耗时差异极大。
• CPU 核心数与「人声背景分离线程数」：降噪以及分离都由 CPU 处理，线程数设置直接影响这部分耗时。
• 视频特性：2 小时音频中语音是否密集、背景噪声强弱、静音段比例，都会显著影响 VAD 切片段数与降噪处理量。

不建议对 2 小时视频开启降噪的原因

1. 降噪是逐段处理整个 2 小时音频的纯 CPU 运算，速度极慢，且不享受 CUDA 加速。
2. 对长音频而言，中途一旦发生内存或显存波动导致中断，之前耗时全部白费。
3. 相比降噪，更推荐勾选「分离人声背景声」，效果通常更好；该功能同样为 CPU 运算，但针对人声提取更有效。

建议做法

1. 先用短片段实测再估算：截取该视频 5~10 分钟的一段，用完全相同的设置（同模型、同 CUDA、同降噪）跑一次语音转录，记录耗时，再按比例外推整段。这是唯一可靠的估算方式。
2. 长视频优先分段：把 2 小时音频切成若干 15~30 分钟片段分别转录，既便于中断后重跑，也便于你观察单段耗时。可用 菜单 → 工具 → 按字幕剪辑视频 或 批量从视频中分离音频 辅助处理。
3. 若只为生成日语字幕：可考虑关闭降噪、改用「分离人声背景声」，或直接跳过降噪环节，先看识别质量是否可接受；很多时候日语清晰视频不加降噪效果已足够。
4. 确认 CUDA 是否真正生效：命令行执行 nvcc -V 查看 CUDA 版本（需 12.8 及以上），执行 nvidia-smi 确认驱动正常；若 CUDA 未生效，整个识别会退回 CPU，耗时将成倍增加。
5. 日语模型选择：2 小时长音频建议 faster-whisper(内置) 配 large-v3，或使用日语专用模型 kotoba-tech/kotoba-whisper-v2.0（Huggingface_ASR 渠道）。

若你希望得到更贴近实际的判断，请提供显卡型号、CPU 型号与核心数、计划使用的识别模型，以及是否已确认 CUDA 生效。

请查阅相关文档：

• 调节VAD精确控制语音识别
• 语音转录功能
• 最佳配置推荐
• Windows上配置CUDA和cuDNN

分离人声背景声 怎么设置？

勾选“分离人声背景声”只是为改善语音识别，让软件只听取人声；若希望翻译后的视频保留原背景音乐，还必须同时勾选“重新嵌入背景声”，否则输出的视频会丢失背景音。

一、在主界面设置

展开主界面底部的“设置更多参数..”，依次设置：

1. 勾选“分离人声背景声”。勾选后不要再勾选降噪，二者重复，只会白白增加两倍耗时。
2. 勾选“重新嵌入背景声”。配音完成后把原背景声混回配音轨道。
3. 设置“背景音量”，范围为 0.0~2.0；建议先用 1.0，背景偏吵时降到 0.3~0.6。
4. 设置“背景音短时拉长或循环”：选择当配音后总时长超过原背景时长时，背景是拉长还是循环补齐。

二、在高级选项调优

进入“菜单 → 工具 → 高级选项 → 通用设置”：

• “人声背景分离线程数”：数值越大越快，但占用资源越多，建议设为 CPU 核心数的一半到全部。
• “分离背景声模型”：选择分离所用的模型。

三、必须知道的性能限制

人声分离使用固定的 onnx 模型，全程纯 CPU 运算，不享受 CUDA 加速，速度极慢。对您这种 2 小时视频，这一步很可能比语音识别本身还耗时，中途中断会前功尽弃。

四、更推荐的做法：用第三方工具预先分离

因为软件内部分离是纯 CPU 计算，长视频建议用 GPU 加速的 UVR5-GUI 等在外部完成：

1. 用 UVR5 将音频分离出人声与伴奏，格式必须为 wav。
2. 分别重命名为 vocal.wav 和 instrument.wav。
3. 放入 _video_out/视频名-格式/ 目录，例如 _video_out/myvideo-mp4/。
4. 回到主界面，必须勾选“分离人声背景声”和“重新嵌入背景声”。
5. 绝对不要勾选“清理已生成”，否则会清空你放进去的 wav 文件。

五、常见问题

提示模型缺失或分离报错：分离、降噪、标点恢复所用 .onnx 模型需手动放到 软件目录/models/onnx/ 下，下载地址见模型下载页。

由于您的日语视频长达 2 小时，建议先只对 5~10 分钟片段试跑一次“分离人声背景声”，确认耗时与效果后再对整片处理；否则可能耗费数小时却因效果不佳而需要重来。

请查阅相关文档：

• 导入本地字幕或人声
• 高级选项
• 手动下载模型
• 语音转录功能

“分离背景声模型”：选择分离所用的模型。 用什么模型？

知识库中未列出该下拉框的具体可选模型名称，也未给出各模型的推荐度；它只说明这一项用于“选择分离背景声时所用模型”。因此我无法告诉你某一个具体型号更优，但凡给出型号都属编造。

实际做法：

一、保持默认值
不要改动，直接使用软件默认选中的那一项即可。默认值通常就是与内置流程匹配度最高的。

二、以试跑结果决定
对同一段 5~10 分钟日语片段，分别用不同模型各跑一次分离，听人声轨是否干净、背景轨是否残留人声，选效果最好的那个。这是唯一可靠的判断方式。

三、前提：模型文件必须存在
分离、降噪、标点恢复所用的 .onnx 模型不在软件内置范围内，需放到：

软件目录/models/onnx/

若该目录为空或缺少文件，分离环节会直接报错，与选哪个模型无关。下载页见下方链接。

四、注意性能
人声分离固定使用 CPU 运算，不享受 CUDA 加速。对 2 小时视频，逐一切换模型试错的代价很高，务必先用短片段对比。

如果你把下拉框里实际列出的选项名称发我，我可以帮你判断是否有知识库相关的说明；但依据现有知识库，我只能确认“无从对比，按默认 + 片段实测”这一结论。

请查阅相关文档：

• 手动下载模型
• 高级选项
• 导入本地字幕或人声