Files

T

cat-shark 5b263171f2 docs: 归档翻译上下文/字幕审校方案的评审结论与实测数据

- 待办：会话式长上下文方案标记为已技术评审且不实施；补记问题 A 的阶段性结论（暂缓）
- 新增 docs/实验数据-字幕审校定位与修复实验.md：LLM 定位触发率/召回、合成正样本、逐条修复前后对照、成本与复现方式
- 新增 docs/实验数据-字幕重生成成本与耗时.md：单价口径、功率画像、全量推算
- decisions：补充两条决策（会话式长上下文否决、审校定位+定向修复暂缓）
- scripts：归档一次性探测脚本 probe_subtitle_review_stage0.py（含 rebuild 子步骤）
- AGENTS/README：补充实验与改动许可规则、文档索引

2026-09-19 18:33:28 +08:00

6.1 KiB

Raw Permalink Blame History

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）， 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`

6.1 KiB Raw Permalink Blame History Unescape Escape