自定义模型 · 手把手使用教程
适用位置：软件左侧「全局设置」→「自定义模型」卡片。本文带你从“要不要动它”一路走到“怎么确认真的生效了”。
先花 30 秒看完这段，能省你两小时。
软件自带的模型是反复测试调好的，绝大多数情况下就是最好的选择。自定义模型是给“想换更大 / 更小的模型、想换外语或声纹引擎”的人准备的。
四格全部留空 ＝ 用自带模型（推荐）。填了才生效。
软件自带的模型是反复测试调好的，绝大多数情况下就是最好的选择。自定义模型是给“想换更大 / 更小的模型、想换外语或声纹引擎”的人准备的。
四格全部留空 ＝ 用自带模型（推荐）。填了才生效。
第 1 节 · 先认门：四格分别管什么
| 格子 | 管什么 | 什么时候才需要动它 | 格式 | 不填会怎样 |
|---|---|---|---|---|
| ① 中文识别 | 中文、中英混说的语音转文字 | 想换更大的中文模型求更准，或换更小的给显存紧张的电脑省资源 | FunASRconfig.yaml |
用自带 seaco-paraformer（推荐） |
| ② 外语 / 通用识别 | 纯外语素材；勾了“通用模型”后，连中文也用它 | 外语识别要换模型（比如换更省显存的小型号） | CTranslate2config.json |
用自带 faster-whisper-large-v3-turbo |
| ③ 说话人分离（声纹） | 勾了“区分说话人”时，判断“这句话是谁说的” | 多人会议要换声纹模型 | FunASRconfig.yaml |
用自带声纹模型 |
| ④ 翻译（插件） | 把字幕翻译成别的语言 | 想换 MADLAD 以外的翻译引擎（NLLB / opus-mt 等） | 插件 .py ＋ 模型目录 | 用自带 MADLAD-400 |
第 2 节 · 动手前，这 3 件事必须记住
第 1 件事：文件夹要选到“打开就看见配置文件”的那一层
这是最容易犯的错。下载下来的模型常常外面还套着一层文件夹，很多人就选了外面那层，结果软件找不到文件——而且不报错。
❌ 这样选（错）：
下载的文件夹
└─ 模型文件夹 ← 你选了外面这层
├─ config.yaml
└─ model.pt
✅ 这样选（对）：
下载的文件夹
└─ 模型文件夹 ← 选这一层！
├─ config.yaml ← 打开就该一眼看到它
└─ model.pt
判断口诀：打开文件夹，第一眼就能看到 config.yaml（或 config.json）—— 就是这一层。
第 2 件事：填错了不会报错，而是“偷偷用回自带模型”
这是本功能最重要的特性：填错、格式不对、显存不够，软件一律不弹窗、不报错、不崩溃，直接静默回退到自带模型。
所以——“没报错”不等于“生效了”。你必须用第 7 节的方法去确认。
所以——“没报错”不等于“生效了”。你必须用第 7 节的方法去确认。
第 3 件事：任何一格不想用了，点「恢复默认」就能回到自带模型
每一格右边都有「恢复默认」按钮，点一下清空，立刻回到自带模型，不会破坏任何东西。放心试。
第 3 节 · ① 中文识别（手把手）
3.1 这个文件夹必须长这样
你的模型文件夹/
├─ config.yaml ← 必须有（软件靠它认模型架构）
├─ model.pt ← 权重文件，下面四种后缀任一即可
│ .ckpt / .pt / .pth / .bin
└─ tokens.json 等 （其他配套文件有就放，没有不影响判断）
3.2 三条硬性条件（少一条就静默回退）
- 文件夹里直接有
config.yaml； config.yaml里model:写的架构名，必须属于下面这些已知识别架构之一：
paraformer、seaco、sensevoice、whisper、conformer、transformer、uniasr、cif、monotonic、rnnt、ctc- 文件夹里有权重文件（
.ckpt/.pt/.pth/.bin任一）。
最大的坑：千万别把「声纹模型」或「标点模型」填到这一格。
这类模型不是干“语音转文字”的。填进来会出现最难受的情况：识别过程一切正常、进度条正常走完，但出来的字幕是空的。
软件已经内置拦截：一旦发现架构不属于上面的已知识别架构，会直接回退自带模型，并在日志里写明原因。
这类模型不是干“语音转文字”的。填进来会出现最难受的情况：识别过程一切正常、进度条正常走完，但出来的字幕是空的。
软件已经内置拦截：一旦发现架构不属于上面的已知识别架构，会直接回退自带模型，并在日志里写明原因。
3.3 去哪下载
软件自带的就是这个（也是最推荐的中文模型）：
- 魔搭 ModelScope：iic/speech_seaco_paraformer_large_asr_nat-zh-cn-16k-common-vocab8404-pytorch（约 953 MB）
想换别的大小型号，在魔搭搜索 paraformer / sensevoice 即可，只要架构名在上面那串清单里，基本都能用。
3.4 填写步骤
1
打开软件 → 左侧「全局设置」→ 找到「自定义模型」卡片 → ① 自定义模型 · 中文识别
2
直接把文件夹路径粘进输入框，或点「选择文件夹」按钮去选
3
选到“打开就看见 config.yaml”的那一层（见第 2 节第 1 件事）
4
不用点保存，软件会自动记住。然后按第 7 节确认是否真的生效
第 4 节 · ② 外语 / 通用识别（手把手）
前置条件（很多人卡在这）：首次使用外语识别时，软件会自动下载外语识别模型，无需手动下载（软件已无「模型管理」入口，识别外语时自动拉取）。
否则即使这一格填对了，软件也会自动回退中文引擎——看起来就像“填了没生效”。
否则即使这一格填对了，软件也会自动回退中文引擎——看起来就像“填了没生效”。
4.1 这个文件夹必须长这样（CTranslate2 格式）
你的模型文件夹/
├─ config.json ← 必须有（软件第一件事就是找它）
├─ model.bin ← 权重
├─ tokenizer.json
├─ vocabulary.json
└─ preprocessor_config.json
注意：必须是 CTranslate2 转换过的版本（文件名里有 ct2 或 faster-whisper 字样的那种）。原始 PyTorch 版 Whisper 不能直接放进来用。
4.2「通用模型」勾选是什么意思
「② 外语 / 通用识别」下面有个勾选框：通用模型（中文也改用多语种引擎识别）。
- 不勾（默认）：中文走中文引擎（快且准），只有识别到外语时才用这一格的模型。
- 勾上：连中文也交给多语种引擎识别。一般不推荐——中文用中文引擎效果更好，而且多语种大模型更吃显存。
4.3 去哪下载
软件自带的是这个：
- deepdml/faster-whisper-large-v3-turbo-ct2（约 1547 MB）
说明：HuggingFace 官方站在国内通常打不开，上面给的是国内可用的镜像地址，和软件自己下载模型用的是同一套源。镜像站偶尔会限流打不开，等几分钟再刷新一次一般就好了。
第 5 节 · ③ 说话人分离 / 声纹（手把手）
5.1 硬性条件
- 文件夹里直接有
config.yaml； - 架构必须是软件内置认识的这三种之一：
CAMPPlus、ERes2NetV2、ERes2NetSV
换成别的架构（比如自己训练的模型），软件会提示“架构未注册”并回退——那种情况需要写插件，属进阶用法； - 有权重文件；
- 显存必须够——这一格的显存检查是“硬拦”，不够就直接回退（和 ①② 的“只提示不拦”不一样）。
5.2 去哪下载（三个官方模型，都很小）
这一格只在勾了「区分说话人」时才起作用；不勾的话填了也不影响。
第 6 节 · ④ 翻译插件（进阶，手把手）
这一格和前面三个不一样：它是让“会写代码的人”接自己的翻译引擎。如果你不打算自己写插件，保持留空就是最好的选择（用自带 MADLAD-400）。
6.1 两格分别填什么
- 上格：翻译插件文件（一个
.py文件） - 下格：这个插件要用的模型文件夹
6.2 插件必须满足的约定
插件 .py 里必须有一个函数：
def vt_translate(texts, target_lang_key, model_dir):
...
return 译文列表 # 条数必须和 texts 一样多，一一对应
texts：待翻译的一批句子target_lang_key：目标语言model_dir：就是下面那格填的模型目录
返回条数不对、函数抛异常、或压根没写这个函数——软件都静默回退自带翻译，不报错。
6.3 现成模板在哪
软件安装目录里有个 mymodels 文件夹，里面有 _模板_翻译插件.py，里面已经写好了 MADLAD / NLLB / opus-mt 三个家族的参考写法，照着改就行。模型权重需要你自己下载。
第 7 节 · 怎么确认“真的生效了”
因为填错不报错，所以必须主动确认。方法：跑一个任务，然后看软件日志。
| 日志里看到这句话 | 说明 | 你该怎么做 |
|---|---|---|
使用自定义中文模型: 路径（权重 xxx） | ✅ 生效了 | 不用管，已经在用你的模型 |
使用自定义声纹模型: 路径（权重 xxx） | ✅ 生效了 | 同上 |
目录内缺少 config.yaml…回退内置 | ❌ 没生效 | 选错层级了，往里进一层，选到能看见 config.yaml 的那层 |
架构「xxx」…未注册…回退内置 | ❌ 没生效 | 这个模型的架构软件不认，换一个（看第 3 / 5 节的架构清单） |
不是本软件已知的语音识别架构…回退内置 | ❌ 没生效 | 你把声纹 / 标点模型填到中文识别格了，换回真正的识别模型 |
未找到权重文件…回退内置 | ❌ 没生效 | 模型没下载完整，重新下载 |
显存预检未通过，本次回退内置 | ❌ 没生效 | 模型太大，换小一点的型号 |
一句话总结：日志里没出现“使用自定义XX模型”，就等于没生效。
第 8 节 · 排错对照表
| 现象 | 最可能的原因 | 怎么解决 |
|---|---|---|
| 填了但感觉没变化 | 选错层级 / 架构不对 / 外语模型没先下载 | 按第 7 节看日志，日志会写明具体原因 |
| 外语识别还是中文结果 | 外语识别模型未就绪（首次使用软件会自动下载） | 首次使用外语识别时软件会自动拉取模型，稍等重试；若仍无效看日志 |
| 识别完成但字幕是空的 | 把非识别模型（声纹 / 标点）填进了 ① | ① 只能填识别模型；软件通常会拦下并回退 |
| 换了模型反而更慢 / 卡 | 模型比自带的大，显存不够 | 换小型号；或点「恢复默认」用回自带 |
| 换了模型结果变差了 | 自定义模型不一定更好 | 点「恢复默认」，自带模型是调好的 |
| 声纹那格填了没效果 | 没勾「区分说话人」 | 这一格只在勾了该项时才起作用 |
第 9 节 · 怎么恢复默认
每一格右边都有「恢复默认」按钮，点一下就清空，立刻回到自带模型。
- 不会删除你下载的模型文件，只是不再使用它；
- 不会破坏任何设置，随时可以再填回来。
第 10 节 · 常见问题（FAQ）
我是新手，需要动这些吗？
不需要。全部留空就是最优配置。
换个更大的模型，识别会更准吗？
不一定。软件自带模型是针对中文场景反复测过的，盲目换大模型常常“更慢但没更准”，还可能显存不够。建议先明确想解决什么问题，再决定换不换。
显卡只有 4GB / 6GB，能换模型吗？
可以，但要往“小”的方向换，不要往大。显存不够时软件会自动回退（尤其声纹那格是硬拦）。
模型文件要放在软件目录里吗？
不用，放硬盘任何位置都行，只要路径填对。
换模型会不会影响我已经做好的字幕？
不会影响已生成的文件。但正在进行的任务如果换了模型，断点续跑会自动作废重来（因为模型变了，续跑指纹也变了）——这是正常的保护机制。
本教程所有“必须 / 不能”条款，均来自软件自身的校验逻辑实测，非经验推断。界面截图取自软件真实界面渲染。