【实践记录】解决 faster-whisper Windows+CUDA 转录完成后进程崩溃（0xC0000409）

2026-05-19 6 min

问题现象

使用 faster-whisper 在 Windows + NVIDIA GPU 上转录音频时，转录过程正常完成，所有 segment 都正确输出，但进程随后以退出码 3221226505（0xC0000409 = STATUS_STACK_BUFFER_OVERRUN） 崩溃，输出文件未生成。

关键特征：

转录本身完全正常，所有 segment 都处理完毕
崩溃发生在转录循环结束后、return 语句或模型清理阶段
Python try/except 无法捕获（C++ 层崩溃，不是 Python 异常）
不产生任何 Python traceback
Windows 事件查看器中显示 ucrtbase.dll 异常，异常码 0xC0000409
CPU 模式下不会出现此问题

根因分析

这是 CTranslate2 的已知 bug，在 Windows + CUDA 环境下模型清理时触发。

问题链路

转录完成 → for segment in segments 结束 → with 块退出 → _cleanup_model() → CTranslate2 CUDA 清理 → 崩溃

CTranslate2 使用 CUDA async allocator 管理 GPU 内存。在模型卸载时，该 allocator 的清理逻辑与 Windows 的内存管理机制冲突，导致栈缓冲区溢出。崩溃发生在 C++ 层，Python 的异常处理机制完全无法介入。

影响范围

仅影响 Windows + CUDA 组合，Linux 和 macOS 不受影响
与音频长度有关：长音频（>30 分钟）更容易触发，因为更多 segment 意味着更高的 temperature fallback 概率
与 CUDA/cuDNN 版本相关，但没有任何组合能完全避免

Issue	说明
SYSTRAN/faster-whisper#71	2023年3月首次报告，至今仍 open
SYSTRAN/faster-whisper#1293	2025年4月，详细版本对比测试
OpenNMT/CTranslate2#1782	CTranslate2 侧的崩溃报告

解决方案

方案一：设置 CUDA Allocator 环境变量（推荐）

原理：将 CUDA 内存分配器从默认的 cuda_malloc_async 切换为 cub_caching，避开有 bug 的 allocator 路径。

做法：在 import faster_whisper 之前设置环境变量：

import os
import sys

# 必须在 import faster_whisper 之前设置
if sys.platform == "win32":
    os.environ.setdefault("CT2_CUDA_ALLOCATOR", "cub_caching")

from faster_whisper import WhisperModel

或者在命令行中设置：

# Linux/macOS
CT2_CUDA_ALLOCATOR=cub_caching python transcribe.py

# Windows CMD
set CT2_CUDA_ALLOCATOR=cub_caching
python transcribe.py

# Windows PowerShell
$env:CT2_CUDA_ALLOCATOR="cub_caching"
python transcribe.py

优点：最简单，一行代码搞定，不影响转录质量来源：2026年4月由 @ia319 发现并报告

方案二：子进程隔离

原理：在独立子进程中运行转录，崩溃只杀死子进程，主进程不受影响。转录结果通过文件传递。

import subprocess
import sys

def transcribe_in_subprocess(audio_path, output_path, metadata_path):
    result = subprocess.run(
        [
            sys.executable, "-u",
            "transcribe-faster-whisper.py",
            audio_path,
            "--output", output_path,
            "--metadata", metadata_path,
            "--model", "large-v3-turbo",
            "--lang", "zh",
            "--force",
        ],
        timeout=600,
    )
    # 即使 exit code 非 0，只要输出文件存在就算成功
    if os.path.exists(output_path) and os.path.getsize(output_path) > 0:
        return True
    return result.returncode == 0

优点：彻底隔离崩溃，主进程 100% 安全缺点：子进程间通信只能通过文件，代码复杂度增加来源：社区最常见的 workaround，见 issue #71 评论

方案三：Checkpoint 保底（辅助方案）

原理：在转录循环结束后、模型清理前，先将结果写入文件。即使后续清理崩溃，数据已保存。

from faster_whisper import WhisperModel

model = WhisperModel("large-v3-turbo", device="cuda", compute_type="auto")
segments, info = model.transcribe("audio.m4a", language="zh", word_timestamps=True)

captions = []
for segment in segments:
    text = segment.text.strip()
    if not text:
        continue
    captions.append({
        "text": text,
        "startMs": int(segment.start * 1000),
        "endMs": int(segment.end * 1000),
        "words": [{"word": w.word, "startMs": int(w.start * 1000), "endMs": int(w.end * 1000)} for w in segment.words] if segment.words else None,
    })

# 关键：在模型清理前保存结果！
import json
with open("captions.json", "w", encoding="utf-8") as f:
    json.dump(captions, f, ensure_ascii=False, indent=2)
print(f"Saved {len(captions)} captions before model cleanup")

# 之后的清理可能崩溃，但数据已经保存了
# del model  # 这一步可能触发崩溃

优点：与方案一/二组合使用，提供额外保障缺点：单独使用不治本，进程仍会崩溃

我的最终方案

组合方案一 + 方案三：

import os
import sys

# 方案一：避开有 bug 的 CUDA allocator
if sys.platform == "win32":
    os.environ.setdefault("CT2_CUDA_ALLOCATOR", "cub_caching")

from faster_whisper import WhisperModel
import json

def transcribe_with_checkpoint(audio_path, output_path):
    model = WhisperModel("large-v3-turbo", device="cuda", compute_type="auto")
    segments, info = model.transcribe(audio_path, language="zh", word_timestamps=True)

    captions = []
    for seg in segments:
        if seg.text.strip():
            captions.append({"text": seg.text.strip(), "startMs": int(seg.start * 1000), "endMs": int(seg.end * 1000)})

    # 方案三：checkpoint - 在模型清理前保存
    with open(output_path, "w", encoding="utf-8") as f:
        json.dump(captions, f, ensure_ascii=False, indent=2)
    print(f"Checkpoint saved: {len(captions)} captions")

    # 现在可以安全清理了（方案一已防止崩溃）
    del model
    return captions, info

验证结果

在我的环境（Windows 11, Intel i5-13500H, RTX 4050 Laptop GPU, CUDA 12.x）下测试 98 分钟播客音频：

指标	修复前	修复后
退出码	3221226505 (0xC0000409)	0
输出文件	未生成	正常生成
转录质量	N/A	无变化
转录速度	N/A	无变化

方案一加一行代码，零副作用，彻底解决了这个困扰社区多年的问题。

关于两种 Pipeline 的性能对比（转录速度、完整性、词级时间戳质量），详见 faster-whisper WhisperModel vs BatchedInferencePipeline 性能对比。

实践记录工具分享

惟愿此心无怨尤