#8634 语音识别阶段出错[faster-whisper(内置)] No human voice detected. Please confirm that human speech is present in the original file.

110.53**1 Posted at: 1 hour ago

语音识别阶段出错[faster-whisper(内置)] No human voice detected. Please confirm that human speech is present in the original file. [info.duration_after_vad=0.0s].
_kw={'beam_size': 5, 'best_of': 5, 'condition_on_previous_text': False, 'threshold': 0.35, 'no_speech_threshold': 0.55, 'temperature': 0.0, 'repetition_penalty': 1.2, 'compression_ratio_threshold': 1.9, 'initial_prompt': ''}
info=TranscriptionInfo(language='ja', language_probability=1, duration=278.151875, duration_after_vad=0.0, all_language_probs=None, transcription_options=TranscriptionOptions(beam_size=5, best_of=5, patience=1, length_penalty=1, repetition_penalty=1.2, no_repeat_ngram_size=0, log_prob_threshold=-1.0, no_speech_threshold=0.55, compression_ratio_threshold=1.9, condition_on_previous_text=False, prompt_reset_on_temperature=0.5, temperatures=[0.0], initial_prompt=None, prefix=None, suppress_blank=True, suppress_tokens=(1, 2, 7, 8, 9, 10, 14, 25, 26, 27, 28, 29, 31, 58, 59, 60, 61, 62, 63, 90, 91, 92, 93, 359, 503, 522,
......
ja', language_probability=1, duration=278.151875, duration_after_vad=0.0, all_language_probs=None, transcription_options=TranscriptionOptions(beam_size=5, best_of=5, patience=1, length_penalty=1, repetition_penalty=1.2, no_repeat_ngram_size=0, log_prob_threshold=-1.0, no_speech_threshold=0.55, compression_ratio_threshold=1.9, condition_on_previous_text=False, prompt_reset_on_temperature=0.5, temperatures=[0.0], initial_prompt=None, prefix=None, suppress_blank=True, suppress_tokens=(1, 2, 7, 8, 9, 10, 14, 25, 26, 27, 28, 29, 31, 58, 59, 60, 61, 62, 63, 90, 91, 92, 93, 359, 503, 522, 542, 873, 893, 902, 918, 922, 931, 1350, 1853, 1982, 2460, 2627, 3246, 3253, 3268, 3536, 3846, 3961, 4183, 4667, 6585, 6647, 7273, 9061, 9383, 10428, 10929, 11938, 12033, 12331, 12562, 13793, 14157, 14635, 15265, 15618, 16553, 16604, 18362, 18956, 20075, 21675, 22520, 26130, 26161, 26435, 28279, 29464, 31650, 32302, 32470, 36865, 42863, 47425, 49870, 50254, 50258, 50359, 50360, 50361, 50362, 50363), without_timestamps=False, max_initial_timestamp=1.0, word_timestamps=True, prepend_punctuations='"\'“¿([{-', append_punctuations='"\'.。,,!!??::”)]}、', multilingual=False, max_new_tokens=None, clip_timestamps=[0.0], hallucination_silence_threshold=None, hotwords=''), vad_options=VadOptions(threshold=0.35, neg_threshold=None, min_speech_duration_ms=0, max_speech_duration_s=inf, min_silence_duration_ms=2000, speech_pad_ms=400))
trk=[SpeechToText]: uuid='79f7476c68', proxy_str=None, cfg=[TaskCfgSTT]
原始输入文件名: E:/视频/歌曲/【歌ってみた】乙女 パスタに感動 _ cover 【ルンルン、周央サンゴ】.mp4,
输出结果保存到文件夹: E:/视频/recogn,
临时文件夹: F:/win-pyvideotrans-v4.15/tmp/10236/79f7476c68
已启用CUDA加速
未选 降噪
语音识别:faster-whisper(内置), large-v3
发音语言:ja
未选 降噪, precent=1, hasend=False, should_recogn=True, should_trans=False, should_dubbing=False, should_hebing=False, out_format='srt', copysrt_rawvideo=False, spk_insert=False


=
system:Windows-10-10.0.26300-SP0
version:v4.15
frozen:True
language:zh_CN
root_dir:F:/win-pyvideotrans-v4.15

1 Replies

#1 DeepSeek reply at 1 hour ago

核心原因:VAD(语音活动检测)把你这个文件里的音频全部判定为“非人声”,切出的有效语音片段长度为 0(duration_after_vad=0.0s),因此 Whisper 没有拿到任何可识别音频,直接抛出“未检测到人声”。你这个文件是 【歌ってみた】乙女 パスタに感動 _ cover ...,属于翻唱/演唱类,伴随伴奏、混响和连续旋律,VAD 阈值偏高时极易出现该情况;也不排除音频轨道实际为纯音乐或音量过低。

按以下顺序排查处理:

  1. 先确认音频本身:用播放器单独播放该 mp4,确认确实有清晰人声(不是纯伴奏版、不是静音轨)。
  2. 调低 VAD 阈值(最直接的解决办法)
    菜单 → 工具/选项 → 高级选项 → 语音识别参数

    • 语音阈值:默认 0.35,改为 0.1 ~ 0.2
    • 非语音阈值:适当调低(如 0.3 左右)
    • 静音分割持续毫秒:可临时调小(如 300~500),减少整段被判为静音的概率
      保存后重试,务必勾选主界面 清理已生成。
  3. 开启人声分离/降噪
    设置更多参数 中勾选 分离人声背景声(或至少勾选 降噪)。对带伴奏的翻唱视频,先把人声从伴奏中抽出来再送 ASR,识别成功率和准确率都会明显提升。
  4. 改用支持“自动检测”的其他识别渠道交叉验证
    左侧面板 语音转录 功能,导入同一文件,发音语言选 自动检测,换 openai-whisper(内置) 或 阿里FunASR(内置) 试一次:

    • 若同样报无人声 → 基本可确认是音频本身/VAD 问题;
    • 若能识别 → 说明是 faster-whisper 该模型对该音频的 VAD 判定问题。
  5. 关于演唱类视频的预期说明
    本软件的语音识别模型是针对“说话声”训练的,对唱歌(旋律化发音、拖长音、混响)识别效果天然较差,即便 VAD 通过,转录结果也可能大量错字或漏句。此类内容建议先做 分离人声背景声,再尽量选 large-v3 模型;若效果仍不可接受,属于模型能力边界,非软件故障。
  6. 若以上均无效,请提供 logs/ 目录中最新日志文件底部约 30 行,以及该视频是否存在人声的确认结果(可用「人声/背景音分离」工具单独验证人声轨是否为空)。

请查阅相关文档:

Thinking...
Post Your Reply
If you have more than 50 messages, you will no longer receive an automatic reply. Please ask a new question!
Open source and free maintenance is not easy. If this project is helpful to you, please consider making a small donation to help the project continue to maintain and update.

Dondate via ko-fi.com

Related resource