硬件需求
操作系统
- Windows 10（1903 及以上）或 Windows 11，64 位
存储空间
- 约 2.5 GB 可用磁盘空间（解压后约 2.1 GB；压缩包本身约 1.35 GB）
GPU
- 任意支持 DirectX 12 的显卡 都可以用：NVIDIA、AMD 或 Intel，通过 DirectML 驱动。不绑定厂商，也不需要单独安装 CUDA/ROCm。
- 没有独立显卡也没关系。 找不到兼容的 GPU 时应用会自动回退到 CPU；如果运行途中某个 GPU 操作失败（比如显存很小的显卡处理大图时爆显存），也会自动在 CPU 上重试，而不是直接崩溃。
- 纯 CPU 模式明显更慢。在我们自己的测试里，翻译一页漫画（检测 + OCR + 消字重绘）在同一台机器上 GPU 约 9 秒，CPU 约 79 秒（约慢 9 倍）。能正常用，只是没那么快。
内存 (RAM)
- 后端进程本身在我们的测试里，空闲时约占用 700 MB（模型已加载并预热），处理页面时约占用 1–1.5 GB。算上阅读器界面、浏览器/其他应用和系统开销，建议预留 8 GB 系统内存 作为一个比较舒适的最低配置。
显存 (如果使用 GPU)
- 在检测、OCR、消字重绘全部同时加载的情况下，我们在一张 12GB 显存的显卡上观测到完整翻译流程的显存占用 最高约 11 GB。这个数字也包含了测试机器上同时运行的其他程序占用的显存，所以只能当作一个粗略的上限参考，而不是单独测量值 —— 实际占用会因页面大小和当时运行的其他程序而变化。
- 如果你的显卡显存不够，应用依然能正常工作 —— 显存不够的那个环节会自动降级到 CPU，而不是直接失败。
性能测试
测试机器：NVIDIA GeForce RTX 5070，Intel Core i9-9900K（8核16线程 @ 3.6GHz），64GB 内存。
完整翻译一页（检测 + OCR + 翻译 + 消字重绘）
| 后端 | 耗时 (test2.webp，51 个文字块) |
|---|---|
| GPU (DirectML) | 8.66 秒 |
| CPU (无 GPU) | 78.89 秒 |
| 加速比 | 约 9.1 倍 |
仅检测阶段 (DBNet)
| 图片 | 尺寸 | 文字块数 | PyTorch/CPU | ONNX/DirectML | 加速比 |
|---|---|---|---|---|---|
| test.webp | 1280×1791 | 20 | 0.851秒 | 0.211秒 | 4.03倍 |
| test2.webp | 1280×1943 | 51 | 0.878秒 | 0.220秒 | 4.00倍 |
| test3.webp | 1280×1280 | 11 | 1.040秒 | 0.189秒 | 5.50倍 |
分阶段耗时明细（热启动，更高检测分辨率）
同一台测试机器，detect_size 提高到 2560（比上面的表格分辨率更高），并且是热启动测量 —— 也就是所有模型都已经加载完成之后，剥离一次性模型加载耗时，只看稳定状态下的推理耗时。
| 阶段 | CPU | GPU (DirectML) | 慢多少 |
|---|---|---|---|
| 检测 | 5.10秒 | 2.46秒 | 2.1倍 |
| OCR | 76.03秒 | 1.43秒 | 53倍 |
| 消字重绘 (mask精修 + Lama) | 23.18秒 | 6.54秒 | 3.5倍 |
| 总计 | 107.30秒 | 15.92秒 | 6.7倍 |
在 CPU 模式下，OCR 是迄今为止最大的耗时来源 —— 比 GPU 慢 53 倍，占 CPU 总耗时的 71%。检测和消字重绘的差距相对较小（2.1倍/3.5倍），所以如果你只能用 CPU，真正拖慢速度的是 OCR，而不是检测或消字。