#944 RuntimeError: CUDA failed with error out of memory

请尝试以下解决方案：

1. 选择更小的 faster-whisper 模型:

• 在主界面“语音识别渠道”中，如果您选择了 faster-whisper(本地)，请尝试选择一个更小的模型（例如，从 large 或 medium 切换到 small 或 base）。较小的模型占用更少的显存。首次选择时可能需要下载新模型。

2. 关闭其他占用显存的程序:

• 在运行 pyVideoTrans 之前，请关闭其他可能大量占用显存的应用程序，例如游戏、视频编辑软件或深度学习应用。

3. 取消勾选 CUDA加速 (如果前两步无效):

• 在 pyVideoTrans 主界面，找到并取消勾选“CUDA加速”选项。这将强制程序使用 CPU 进行计算，虽然处理速度会大幅降低，但可以避免显存不足的问题。

如果问题依然存在，请提供您的显卡型号和显存大小，以便我们进一步分析。

使用faster-whisper 独显使用率才百分之十几，是不是没有充分利用啊

这是 GPU 未被充分利用的常见现象，主要由 faster-whisper 的任务调度和显存限制导致。可以尝试以下优化：

1. 进入高级选项调整参数：

   • 菜单 → 工具/选项 → 高级选项 → 语音识别参数
   • 将 CUDA数据类型 设为 float16（减少显存占用，同时加速计算）
   • 将 beam_size 和 best_of 从默认的 1 提高到 3~5（越大越耗显存，但能提高利用率和准确度）
   • 取消勾选 启用上下文感知（该选项会增加额外开销，利用率反而可能下降）
   • 启用 Whisper预分割音频（可让模型更密集地处理片段，提升 GPU 占用）
2. 检查主界面：确保已勾选 CUDA加速。

3. 增大并行任务数：

   • 在高级选项 → 通用设置 中，将 GPU同时任务数 设为 2 或 3（取决于你的显存大小，>=8GB 可尝试 2，>12GB 可尝试 3）。修改后需重启软件生效。
4. 确认模型大小：如果使用 tiny 或 base 等小模型，GPU 计算量本身较低，利用率也会偏低。建议至少使用 large-v3 模型来压榨 GPU。

若调整后仍无法显著提升，可查阅详细文档：

• GPU 使用率太低

float16 这个调整多少合适，我的独显是3060ti，我看了下参数，占用内存4g,使用率超不过10%

将 CUDA数据类型 直接设为 float16 即可，没有其他数值可选。对于 RTX 3060 Ti（8GB 显存），这是最适合的选项，能平衡速度与显存占用，不应继续尝试其他类型。

使用率不足 10% 通常由以下原因造成：

1. 模型太小：如果选择 tiny、base 或 small 模型，计算量极低，GPU 无法满载。建议切换到 large-v3 模型，才能压榨显卡性能。
2. 参数保守：进入 菜单 → 工具/选项 → 高级选项 → 语音识别参数，将 beam_size 和 best_of 从默认值提高到 3~5，同时确保已取消勾选“启用上下文感知”（该选项在低显存下反而降低效率）。
3. 未启用预分割：勾选“Whisper预分割音频”，让模型以片段方式持续处理，能提高 GPU 占用率。
4. 确认 CUDA 加速已勾选：检查主界面右上角的CUDA加速复选框必须打勾。

调整后如果使用率仍低于 30%，可在 高级选项 → 通用设置 中将 GPU同时任务数 设为 2（显存 8GB 足够），修改后重启软件生效，此时 GPU 使用率会明显上升。

请查阅相关文档：

• 高级设置各个选项说明
• GPU 使用率太低

启用whisper预分割视频，对于断句有影响吗？如果有影响，是好还是不好

对于断句有影响，影响好坏取决于你的使用场景：

启用 Whisper 预分割音频 时：

• 软件会先用 VAD（语音活动检测）把音频切分成短暂的语音片段，再把每个片段交给 Whisper 模型识别。
• 优点：每段字幕长度更短、更可控，尤其适合需要“原音色克隆”的场景（参考音频时长要求在 3~10 秒），并且能明显降低长语音导致的显存压力。
• 缺点：由于强行走 VAD 切割，可能破坏原本自然连贯的句意，导致句子被切碎，出现不自然的断句。

不启用（默认）时：

• Whisper 模型自行决定断句位置，通常语法更自然、句子更长。
• 缺点：容易生成过长的字幕（超过 10 秒），导致后续语音克隆或音画同步困难。

结论

• 如果你更看重配音效果（特别是需要声音克隆），或者总是遇到显存不足，建议启用。
• 如果你只追求字幕阅读连贯自然、不关心配音长度，建议关闭，断句效果更好。
• 如果要启用，建议同时将高级选项中的“最短语音持续毫秒”设为 3000、“最长语音持续秒数”设为 6~10，“合并过短字幕到邻近”也打开，以平衡切碎问题。

TTS supertonic-2 这个是什么，好用吗

SuperTonic 是 pyVideoTrans 内置的一个轻量级 TTS（文字转语音）引擎，无需联网、无需部署额外服务，开箱即用。它主要提供中/英双语预定义发音角色。

客观评价（基于技术特性）：

• 优点：

  1. 完全本地、免费：不消耗 API 费用，不依赖外部服务，适合离线场景。
  2. 角色丰富：内置多种可选声音（包括基于真实语音的克隆角色），在中英文场景下音色自然度表现良好。

• 缺点：

  1. 不支持自定义声音克隆：你无法像 F5-TTS 或 CosyVoice 那样上传自己的音频来克隆音色，只能使用软件内置的角色。
  2. 主要为中英双语优化：对其他语言（如日语、韩语、法语）的合成效果可能不如 Edge-TTS 或某些专业 API。
• 是否好用：如果你的视频翻译目标语言主要是中文或英文，且不需要原音色克隆，SuperTonic 是一个稳定、易用的选择。建议直接在软件中选中该渠道，试听不同角色的音色效果。 如果效果满足要求，就很好用；如果对自然度或非中文语言有极高要求，可考虑其他渠道。

请查阅相关文档：

• SuperTonic-2 配音渠道