#8839 V4.19相比于V4.18,修改了什么,官方文档 我看不懂,请通俗化告诉我

218.76**2 Posted at: 15 hours ago

V4.19相比于V4.18,修改了什么,官方文档 我看不懂,请通俗化告诉我

11 Replies

#1 DeepSeek reply at 15 hours ago

核心一句话:v4.19 主要是“新增了几种能力 + 修了一大堆小毛病”,没有改动整体流程。

一、新增能力

  1. DeepSeek 可用于语音识别和配音
    以前 DeepSeek 只能做字幕翻译;现在它也能把语音转成字幕,以及把文字转成配音。
  2. AMD / Intel 显卡也能加速了(通过 Vulkan)
    以前硬件加速基本只认 NVIDIA 的 CUDA;现在勾选“启用硬件加速”并选 auto/vulkan,AMD/Intel 显卡也能加速。但目前只有 faster-whisper 和 Audio.cpp 两个渠道支持 Vulkan;其他模型不支持 Vulkan 时,会自动回退用 CUDA。
  3. ChatGPT 翻译渠道支持 responses API
    如果你的 API 地址以 /responses 结尾,软件会自动改用 responses 方式发送请求。

二、新增翻译渠道

新增 5 个聚合类翻译渠道:WorldRouter、Standard Compute、UberLLM、Requesty、TrustedRouter。可直接在翻译渠道下拉里选,填对应 key 即可。

三、新增界面语言

新增繁体中文(zh_TW)界面。

四、修掉的 bug(按影响分类,通俗说)

字幕 / 翻译类

  • Google 翻译不再吞掉撇号、引号和 &。
  • 批量字幕格式转换时,GBK 编码字幕里的中文行不会再丢。
  • 能正确读取带 BOM 的 UTF-16 / UTF-32 格式的 srt、txt(以前可能读成乱码)。
  • 二次识别时,一句话里的小数点不会被截掉。

配音类

  • Edge-TTS 保存单条字幕配音时,开始时间、自动加速、音量都对得上了。
  • Azure TTS 遇到含 & 或 < 的字幕不再报错。
  • 豆包 2.0 和阿里百炼的配音渠道编号被纠正(18 和 19),选了能真正生效。
  • 字节火山 LLM 渠道的“思考深度”选择现在真的会发出去。
  • Audio.cpp 没手动指定模型时,会默认用上次保存的模型,不再报错。

界面操作类

  • 在“编辑字幕+分配角色”里删掉一行后,剩余行的配音不会错位。
  • 配音校对面板超过 200 行时,倒计时不再停住。
  • 在字幕校对面板用“替换”时,手动改过的内容不会被覆盖。
  • 工具窗口的输出文件夹不存在时,会自动创建。
  • “另存到源目录”这类保存选项,现在真的存到每个文件旁边。
  • 拖入文件时能正确识别文件名。

媒体工具类

  • 按字幕剪辑视频时,.ass 字幕的每一行都能单独切出片段。
  • .vtt 时间码没有“小时”部分时也能正确读取。
  • 给无音轨的视频烧字幕不再出错。
  • 双语硬字幕时,底部语言会用你为底部语言选的字体。
  • 合并视频+音频、批量加水印时,不再擅自改工作文件夹;水印位置正确,并显示 0→100% 进度。
  • 实时语音转文字时,如果录音输出文件夹不存在,点“打开录音文件夹”会自动创建。

五、性能小优化

  • 使用 Audio.cpp 时,软件会把 CPU 核心数传给 audiocpp_cli --threads,让计算更充分利用多核。

要不要升级? 如果你:用 AMD/Intel 显卡想加速、想用 DeepSeek 做识别或配音、或用 Google 翻译时被吃标点困扰——建议升级。否则 v4.18 继续用也问题不大。

#2 218.76**2 reply at 15 hours ago

我一直没搞懂用 Audio.cpp里的OmniVoice配音,和直接用OmniVoice配音,有什么区别

#3 DeepSeek reply at 15 hours ago

核心一句话:这是同一个模型(OmniVoice)的两种“加载/运行方式”——直接选 OmniVoice(内置) 是让软件用 Python 直接加载原版权重跑;而 Audio.cpp 渠道里选 OmniVoice,是让 audiocpp_cli 这个独立的 C++ 程序来跑压缩后的模型。

具体区别

对比项直接选 OmniVoice(内置)Audio.cpp 渠道里选 OmniVoice
运行引擎软件自身的 Python 推理流程独立可执行程序 audiocpp_cli(软件目录/audio_cpp/)
模型文件HuggingFace 原始权重,放在 软件目录/models/models--k2-fsa--OmniVoiceaudio.cpp 自己下载的模型(通常是压缩量化版),放在它自己的目录
显存/内存占用较高较低(量化后体积小)
速度一般一般更快,且会调用多核(v4.19 起会把 CPU 核心数传给 audiocpp_cli --threads)
显卡支持“优先使用”CUDA(NVIDIA)CUDA,且 v4.19 起可走 Vulkan,AMD/Intel 显卡也能加速
出问题时的处理重新下载模型可删掉 软件目录/audio_cpp/ 内的 audiocpp_cli.exe(Linux 为 audiocpp_cli)后重跑,会自动重新下载最新版
出问题的排查难度相对简单多一层外部程序,报错信息可能不同(例如 unsupported model family)

通俗类比

同一首歌的两个播放版本:

  • 内置 OmniVoice = 高保真原始母带(体量大、吃资源,但最“原汁原味”)
  • Audio.cpp 里的 OmniVoice = 无损压缩过的版本(体积小、跑得快、省显存,但细节可能略有损失)

该怎么选

  1. 显存小、内存小、或用的是 AMD/Intel 显卡 → 选 Audio.cpp 里的 OmniVoice。
  2. NVIDIA 显卡、显存充足、想要最原版效果 → 选 OmniVoice(内置)。
  3. 两者都能用但纠结 → 用同一段字幕、同一个 clone 参考音频分别跑一遍,对比试听结果,谁的音色和语速更自然就用谁。不同机器上的优劣排序并不固定。
注意:两者都属于支持 clone 的渠道,音色克隆效果还会受参考音频质量影响(参考音频要求 3~10 秒、单声道 wav、清晰无噪),换引擎不会自动解决参考音频质量差的问题。

请查阅相关文档:

#4 218.76**2 reply at 15 hours ago

同样的条件下,哪个效果、质量更好

#5 DeepSeek reply at 15 hours ago

知识库中没有给出“内置 OmniVoice”与“Audio.cpp 里的 OmniVoice”两者之间哪个质量更好的官方对比结论;因此我不能凭空给出确定答案。

已知的客观事实只有以下几点:

  1. 两者的推荐度相同:知识库中 OmniVoice-TTS(内置) 与 Audio.cpp 都被标为 ⭐⭐⭐ 推荐,这并不表示内置版更差。
  2. 两者的定位不同:内置 OmniVoice 走的是软件自身的 Python 推理链路,使用原始权重;Audio.cpp 是一个可切换 10+ 个 TTS 模型的独立后端。Audio.cpp 的主要优势在于运行效率、模型切换灵活、以及 v4.19 起可用 Vulkan 让 AMD/Intel 显卡加速,而不是“音质更好”。
  3. 同一模型、不同后端:如果两边跑的根本是同一份模型权重,声音本身的差异通常很小,差别主要来自后端的推理实现,以及是否对模型做了量化或压缩。量化或压缩一般会带来轻微细节损失,速度更快、占用更小,但这属于通用规律,不能当作本项目两种渠道的实测结论。
  4. 真正决定效果的关键因素,往往不是这两个引擎本身:

    • 参考音频质量(使用 clone 时要求 3~10 秒、单声道 wav、发音清晰无背景噪声;clone 是从原视频动态裁切的,质量不可控,这是“音色克隆效果差”的最常见原因)
    • 字幕文本质量与断句长短
    • 目标语言是否被该模型良好支持
    • 语速/音调/音量设置

实用建议:用同一段字幕、同一个 clone 参考音频,分别用两个渠道各跑一遍,然后直接试听对比。这项差异在不同显卡、不同显存环境下并不固定,无法给出统一结论。若显存小或使用 AMD/Intel 显卡,优先 Audio.cpp;若 NVIDIA 显卡显存充足,想要最贴近原始权重的效果,优先内置 OmniVoice。

请查阅相关文档:

#6 218.76**2 reply at 15 hours ago

我知道 了,意思是Audio.cpp里面的模型都是量化版,速度更快

#7 DeepSeek reply at 15 hours ago

这个理解需要修正:知识库中并没有说明“Audio.cpp 里的模型都是量化版”。这只是我上一轮用来说明两者差异的通用类比,不能当作官方事实。

准确说:

  1. Audio.cpp 是一个独立的可执行后端(audiocpp_cli),它自己管理一批可切换的 TTS 模型。知识库里只写“可切换 10 多个不同 TTS 模型”,没有说明这些模型是否为量化版、是否做了压缩。
  2. 所以“Audio.cpp 全部是量化版,因此更快”这个结论,无法从知识库得到确认。
  3. 能确认的客观差异只有:它作为独立后端运行,不占用软件自身的 Python 推理链路;v4.19 起会把 CPU 核心数传给 audiocpp_cli --threads;v4.19 起支持 Vulkan,可用于 AMD/Intel 显卡加速。速度表现受具体模型、显卡和显存影响,不能一概而论。
  4. 同理,也不能推出“内置 OmniVoice 用的是未量化原始权重,所以音质一定更好”。知识库只说内置渠道是“模型本身未内置,第一次使用时需在线下载”,并未涉及量化问题。

结论:不要基于“量化/未量化”来做选择。要判断哪个效果好,唯一可靠的方法是用同一段字幕和同一个 clone 参考音频,分别跑一遍并试听对比。

另外,如果你在 Audio.cpp 里遇到类似 unsupported model family 的报错,那不是量化导致的,处理方法是删掉 软件目录/audio_cpp/ 内的 audiocpp_cli.exe(Linux 为 audiocpp_cli)后重新执行,让它自动下载最新版本。

#8 218.76**2 reply at 15 hours ago

4.19 起支持 Vulkan,可用于 AMD/Intel 显卡加速。是什么,我是4060 8G 可以加速,Vulkan是什么

#9 DeepSeek reply at 15 hours ago

Vulkan 是什么

Vulkan 是一种跨厂商的图形与通用计算接口。通俗地说,它是一套通用的“显卡指令标准”,NVIDIA、AMD、Intel 的显卡都支持它。CUDA 则是 NVIDIA 独家专用的计算接口。

以前软件里的 GPU 加速基本走 CUDA,因此只有 N 卡能加速;从 v4.19 起,软件增加了 Vulkan 这条通道,所以 AMD / Intel 的显卡也能获得加速能力了。

你的 RTX 4060 8G 该怎么选

结论:继续使用 CUDA,不需要切换 Vulkan。

原因如下:

  1. 支持范围不同

    • CUDA 支持的渠道:faster-whisper / openai-whisper / Qwen-ASR / Whisper.cpp / FunASR / Huggingface_ASR 等语音识别渠道,以及 Qwen3-TTS / F5-TTS / OmniVoice-TTS / Confucius-TTS / ChatterBox / Moss-Diarize / FireRed3 等配音渠道,还有 M2M100 翻译。
    • Vulkan 支持的渠道:目前仅有 faster-whisper 和 Audio.cpp 两个。其他模型如果选择了 Vulkan,会回退到 CUDA。
  2. faster-whisper + Vulkan 会自动切换到另一套模型
    根据知识库:在使用 faster-whisper 渠道时,如果选中 启用硬件加速 + vulkan,软件会自动改用 whisper_cpp + ggml 模型来运行。对 N 卡用户来说,这实际上会切换到另一套推理路径,而不是继续使用 CUDA 加速 faster-whisper。
  3. 要使用 CUDA,前置条件必须满足
    需要安装 NVIDIA 驱动、CUDA 12.8 和 cuDNN 9.11,并把 cuDNN 的 bin/lib 加入系统 Path,然后在主界面勾选 启用硬件加速(CUDA)。如果前置条件未满足,即使显卡是 4060 也无法使用,此时控制台会提示未启用 GPU 加速。

8G 显存的实际约束

  • large-v3:约需 8GB+,4060 8G 属于临界值,运行其他程序时容易显存不足或报错。
  • large-v3-turbo:约需 6GB,推荐,速度与质量兼顾,8G 显卡最合适。
  • 如果报错 CUDA out of memory 或 Unable to allocate:把模型降为 medium / small;在 高级选项 → 语音识别参数 中把 计算数据类型 改为 float16,或改为 int8;把 beam_size / best_of 从 5 调到 1;关闭 启用上下文感知。
  • 在 高级选项 → 通用 中把 GPU同时任务数 保持为 1。

什么时候才需要用 Vulkan

只有两种场景:你换成了 AMD 或 Intel 显卡;或者你特定想使用 Audio.cpp 渠道,并且想尝试这条加速路径。4060 上没有理由选择 Vulkan。

请查阅相关文档:

#10 218.76**2 reply at 15 hours ago

那意思是我是英伟 达显卡,不需要用Audio.cpp

#11 DeepSeek reply at 15 hours ago

不是这样。Audio.cpp 和 Vulkan 是两回事,我上一轮表述可能让你产生了混淆,这一点需要纠正。

两者关系先厘清:

  • Audio.cpp 是一个渠道,用于配音,也可以用于识别,是一个独立运行的可执行后端。它与你的显卡品牌无关,NVIDIA、AMD、Intel 都能使用它。
  • Vulkan 是一种加速方式。v4.19 起,Audio.cpp 和 faster-whisper 这两个渠道除了可以使用 CUDA,还能使用 Vulkan。

因此,“NVIDIA 显卡不需要用 Audio.cpp”这个推论不成立。使用 Audio.cpp 后,在 4060 上走的是 CUDA 加速(知识库中 Audio.cpp 的 GPU 加速标注为支持);Vulkan 只是给 AMD/Intel 用户的一条备用通道。

是否选择 Audio.cpp,取决于以下实际需求,与显卡品牌无关:

  • 想使用它支持的那批可切换模型(可切换 10 多个不同 TTS 模型)
  • 想省显存、降低资源占用
  • 想走这条独立后端的推理路径

如果你用内置 OmniVoice / Qwen3-TTS / F5-TTS 等渠道效果满意、速度也能接受,那确实没必要换 Audio.cpp,但原因在于“用不上”,而不在于“你是 N 卡”。

另外两个容易混淆的点:

  • 当前版本 Vulkan 仅支持 faster-whisper 和 Audio.cpp,其他模型即使选择 Vulkan 也会自动回退到 CUDA。
  • Audio.cpp 使用过程中若报 unsupported model family hint 之类错误,处理方法是删除 软件目录/audio_cpp/ 内的 audiocpp_cli.exe(Linux 为 audiocpp_cli),然后重新执行,让它自动下载最新版本。这与显卡品牌无关。

一句话:Vulkan 是给 A 卡或 I 卡的备用通道;Audio.cpp 是一个可选配音后端。4060 想用 Audio.cpp 就直接用(走 CUDA),不想用也不影响其他渠道。

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