# 实验数据：字幕重生成的成本与耗时

本文件汇总 2026-09-18 ~ 09-19 媒体库字幕重生成（`/mnt/fnOS/123`）的**实测**资源与
费用口径，供后续推算与对比复用。原始数据见文末"数据来源"。

---

## 一、口径与单价

| 项 | 值 | 来源 |
| --- | --- | --- |
| 翻译模型 | SiliconFlow `Qwen/Qwen3.5-35B-A3B`（`enable_thinking=false`） | `.env` 线上配置 |
| 输入单价 | ¥0.400 / M tokens（<128k 档） | 用户提供的价目表 |
| 输出单价 | ¥3.200 / M tokens（<128k 档） | 同上 |
| 电价 | ¥0.5 / 度（kWh） | 用户口径 |
| 本地卡 | RTX 3090（350W 上限，24GB） | `nvidia-smi` |
| 输入/输出拆分 | 按批输入 ≈529 tokens 实测回推，其余计输出 | 单批预检实测 |

## 二、功率画像（实测）

| 状态 | GPU 功率 | 说明 |
| --- | --- | --- |
| 空闲（提音/线上翻译阶段） | 19–20 W | GPU 显存 272 MiB |
| 转写（faster-whisper large-v2） | 270–290 W | 显存约 3.6–4.6 GB |
| 本机 LLM（Ollama `qwen3:30b-a3b`） | 348 W | 显存约 21 GB |
| 整机（电表校验） | **413 W 平均** | 第二批样本 58.1 分钟窗口，电表 1.6→2.0 度 = 0.40 kWh |
| 整机非 GPU 部分 | ≈137 W（本地 LLM 轮） / ≈100 W（云端轮估） | 由上面两项相减估算 |

## 三、三轮样本实测对照

| 轮次 | LLM | 素材 | 结果 | 挂钟 | 速度 | GPU 耗电 | API 费用 |
| --- | --- | --- | --- | --- | --- | --- | --- |
| ① `batch_204b2e4f0cf4` | 本地 | 6.54 h / 10 个 | 10/10 | 77.7 min | 11.9 min/素材小时 | 0.375 kWh（均 289.6W，峰 349.2W） | — |
| ② `batch_9ef5d063612b` | 本地 | 6.73 h / 10 个 | 9/10（1 个 API 失败后重试成功） | 58.1 min | 8.6 min/素材小时 | 0.267 kWh（均 275.6W）；**电表整机 0.40 kWh** | — |
| ③ `batch_2dff6b79283f` | 云端 | 6.36 h / 10 个 | 10/10 | 41.5 min | 6.5 min/素材小时 | 0.077 kWh（均 111.7W，GPU 空闲占比 64%） | **¥0.186**（124,423 tokens） |

第三轮明细：翻译 2,761 行 / 143 批 / 纯 LLM 17.4 分钟；输入≈75.6k、输出≈48.8k tokens。

## 四、单素材小时指标（可直接乘算）

| 口径 | 值 |
| --- | --- |
| API（云端轮 ③） | 19,563 tokens/素材小时 → **¥0.0293/素材小时**（每视频 ¥0.0186） |
| API（28 视频修复轮，见五） | 33,136 tokens/素材小时 → **¥0.0504/素材小时** |
| API（NKKVR-175 A 单视频） | 17,400 tokens/素材小时 → **¥0.0258/素材小时** |
| 电耗（云端 + 新流水线） | ≈0.030 kWh/素材小时（GPU 0.021 + 系统 0.009） |
| 电耗（本地 LLM，电表实测） | **0.059 kWh/素材小时** |
| 成本合计（云端方案） | ¥0.015 电费 + ¥0.03–0.05 API = **¥0.045–0.065/素材小时** |

## 五、28 视频损坏修复轮（2026-09-19）

| 项 | 值 |
| --- | --- |
| 规模 | 28 个视频 / **16.87 小时**素材（27 个新字幕损坏 + 1 个命名特例） |
| 结果 | 26/28 一次成功；2 个云端 API 600s 读超时失败，重跑后 2/2 成功 |
| 挂钟 | 00:43 → 03:19 = **2.6 小时**（9.2 分钟/素材小时） |
| API | 558,940 tokens → **¥0.850**（输入≈335k / 输出≈224k） |
| 电耗 | GPU 0.598 kWh（均 230W、忙碌占比 80%）→ 整机估 0.858 kWh = ¥0.43 |

## 六、流水线与 HST 的耗时影响

- **新流水线（非 GPU 阶段并行）** 实测重叠：`kiwvr-886/887` 那轮里 B 视频的云端翻译
  （22:51:08→22:52:37）与 A 视频的转写（22:51:08→22:54:42）完全重叠；串行实现下这段
  GPU 会空转。
- **extract 可与转写并行**：8 个视频提音约 7.8 分钟（GPU 空闲），流水线里被转写掩盖。
- **HST（`hallucination_silence_threshold=2.0` + `word_timestamps`）** 让转写变慢：
  同一段 120 秒音频 **15.4s → 25.4s（1.8×）**；换来片头 120 秒无对话段的字幕条数
  15 → 4（且无套话幻觉残留）。

| 阶段（云端 + HST，8 个视频一组 / 5.1 小时素材） | 实测 |
| --- | --- |
| extract | ≈7.8 分钟（GPU 空闲，可并行） |
| ASR | ≈12.9 分钟 × 1.8（HST） ≈ 23 分钟（GPU 满载） |
| translate | ≈15–17 分钟（GPU 空闲，与 ASR 重叠） |
| ASS | 秒级 |

## 七、全量推算（2026-09-19 状态）

待重生成：**349 个 / 187.86 小时素材**（媒体库共 524 个 / 287.27 小时）。

| 方案 | API | 电费 | 合计 | 挂钟 |
| --- | --- | --- | --- | --- |
| 云端 + HST（当前配置） | ¥5.5–9.4（按 ¥0.03–0.05/素材小时） | ≈¥2.8 | **¥10–12** | 17–20 小时 |
| 本地 LLM（对照） | — | ¥5.7（11.5 kWh） | ¥5.7 | 28–39 小时 |

敏感性：HST 关闭 → 电费约 ¥1.6、挂钟约 11 小时；HST 实测倍数升到 2.2× → 电费 ¥3.4、
挂钟约 21 小时。若翻译改成"会话式长上下文"（见
[待办-翻译上下文复用与语义纠错.md](./待办-翻译上下文复用与语义纠错.md)），
**输入 token 会大幅上升，上表 API 一列必须重算**。

## 八、测量陷阱

- **任务行的 `updated_at` 不是完成时间**：`GET /api/batch/jobs*` 会触发
  `sync_batch_job_progress` 重写该字段；请用日志的"批量任务 … 完成"行、明细的
  `updated_at`，或 `data/experiments/regen_plan/app_cloud_run.log` 的时间戳。
- GPU 采样用 `nvidia-smi --query-gpu=... -l 15`，能量按"采样均值 × 窗口时长"积分；
  窗口边界要与起止时间对齐（脚本按时间过滤 CSV 行）。

## 九、数据来源（本机）

| 内容 | 路径 |
| --- | --- |
| 全量实测报告（9 节，含根因与 A/B） | `data/experiments/regen_plan/REPORT.md` |
| 数据量扫描与逐条明细 | `data/experiments/regen_plan/plan_2026-09-01.json`、`sample10*.txt` |
| 应用的运行日志（含每批 tokens 与阶段时序） | `data/experiments/regen_plan/app_cloud_run.log` |
| GPU 功耗采样 | `data/experiments/regen_plan/gpu_power_*.csv` |
| 质量对照（新旧字幕指标） | `data/experiments/regen_plan/quality_review.md` |
| 提示词快照（做实验用） | `data/experiments/regen_plan/prompt_dump/` |
| 资源调度设计笔记 | `data/experiments/regen_plan/design_gpu_resource_scheduling.md` |