feat(cli): --threads для управления CPU-потоками + бенчмарк CUDA compute_type

- Зачем:
  - CTranslate2 по умолчанию использует 4 потока; на многоядерных CPU (8+ ядер)
    это неоптимально — --threads 8 даёт +13% ускорения.
  - Не было данных по int8_float32/int8_float16 на NVIDIA GPU.

- Что:
  - --threads / -t: новый CLI-флаг, пробрасывается через load_model →
    backend.create_model(cpu_threads=...) → WhisperModel(cpu_threads=...).
  - Валидация min=0 на входе (typer), Backend протокол синхронизирован.
  - docs/gpu.md: результаты бенчмарка 6 комбинаций CUDA compute_type
    (medium/large-v3 × float16/int8_float32/int8_float16) на двух файлах
    (16 мин и 46 мин). Ключевой вывод: float16 — оптимальный дефолт;
    large-v3 ненадёжен на длинных записях.
  - README: --threads добавлен в таблицу опций.
  - Фикс теста: test_resolve_repo_explicit_unsupported_pair_raises обновлён
    под добавление medium fp16 модели.

- Проверка:
  - uv run pytest: 157 passed.
  - transcribe file.mp4 --device cpu --threads 8: 277с vs 320с (дефолт).

Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>

README.md

@@ -147,6 +147,7 @@ transcribe *.mp4 --force
 | `--output` | `-o` | `<файл>-transcript.md` | Путь к выходному файлу |
 | `--device` | `-d` | `auto` | Устройство (auto, cpu, cuda, openvino, openvino-gpu, openvino-cpu) |
 | `--compute-type` | — | float16 (CUDA) / int8 (OpenVINO GPU/CPU) / float32 (CPU) | Тип вычислений |
+| `--threads` | `-t` | 0 (авто) | Потоки CPU (рекомендуется = число физ. ядер) |
 | `--force` | `-f` | — | Перезаписать существующие транскрипты |
 | `--verbose` | `-v` | — | Подробный вывод |
 

docs/gpu.md

@@ -105,9 +105,16 @@ CTranslate2 по умолчанию использует 4 потока. На м
 задать число потоков равным числу **физических ядер** (не виртуальных):
 
 ```bash
-OMP_NUM_THREADS=8 transcribe meeting.mp4 --device cpu --compute-type int8_float32
+transcribe meeting.mp4 --device cpu --compute-type int8_float32 --threads 8
 ```
 
+**Замеры (Intel i7, 8 ядер / 16 потоков, medium int8_float32, 16 мин файл):**
+
+| --threads | Время | Ускорение |
+|---|---|---|
+| 0 (дефолт = 4) | 320с | baseline |
+| 8 (физ. ядра) | **277с** | **+13%** |
+
 SMT/Hyper-Threading не помогает — 16 потоков на 8-ядерном CPU медленнее, чем 8.
 
 ### Почему CPU бэкенд качественнее OpenVINO
@@ -138,21 +145,44 @@ SMT/Hyper-Threading не помогает — 16 потоков на 8-ядер
 
 На NVIDIA GPU дефолт — `float16`, и для большинства случаев это оптимальный выбор.
 
-Однако `large-v3` с `int8` на GPU может давать **галлюцинации** на длинных записях
+### Результаты тестирования compute_type на GPU (RTX 3060 Laptop, 6 GB)
-(зафиксировано: повтор фраз ×25, потеря контента). Причина — чистый int8 без float
-аккумулятора теряет точность в глубокой модели.
 
-**Альтернатива для тестирования:**
+**Скорость (файл 16 мин, русский язык):**
 
-| compute_type | Ожидаемый эффект |
+| Модель | float16 | int8_float32 | int8_float16 |
+|---|---|---|---|
+| medium | **53с** (~18x) | 64с (~15x) | 54с (~18x) |
+| large-v3 | **86с** (~11x) | 113с (~8.5x) | 125с (~7.7x) |
+
+**Скорость (файл 46 мин, русский язык):**
+
+| Модель | float16 |
 |---|---|
-| `float16` | **Дефолт** — отлично работает |
+| medium | **127с** (~22x реалтайм) |
-| `int8_float32` | Потенциально быстрее float16, качество на уровне float32. Не протестировано — ждём feedback |
+| large-v3 | 271с (~10x реалтайм) |
-| `int8_float16` | int8 веса + float16 аккумулятор. Может быть быстрее int8_float32 при приемлемом качестве |
-| `int8` | Быстрый, но рискует галлюцинациями на large-v3 и длинных записях |
 
-Если у вас есть NVIDIA GPU и вы протестировали `int8_float32` / `int8_float16` —
+**Качество (файл 16 мин):**
-поделитесь результатами через [issues](https://github.com/dementev-dev/local-transcriber/issues).
+
+| Модель | float16 | int8_float32 | int8_float16 |
+|---|---|---|---|
+| medium | **Отлично** | **Отлично** (≈float16) | Хорошо (1-2 ошибки) |
+| large-v3 | Хорошо (ед. галлюцинации) | **Плохо** (повтор "Ага" ×18) | **Неприемлемо** (мусор, иероглифы) |
+
+**Качество (файл 46 мин):**
+
+| Модель | float16 | Проблемы |
+|---|---|---|
+| medium | **Отлично** | Единичные ляпы ("email" вместо "ML"), стабилен |
+| large-v3 | **Плохо** | Галлюцинации на 3+ языках (китайский, арабский), повторы фраз, "Аминь" вместо "Угу" |
+
+### Выводы по CUDA compute_type
+
+- **`float16` — оптимальный дефолт**: самый быстрый и стабильный
+- **`int8_float32` не дал выигрыша**: на 20% медленнее float16, качество для medium сопоставимо, для large-v3 — деградация
+- **`int8_float16`**: по скорости ≈ float16 для medium, но large-v3 даёт мусор
+- **`int8`**: рискует галлюцинациями на large-v3 и длинных записях (повтор фраз ×25)
+- **medium устойчивее к квантизации**, чем large-v3 — все варианты compute_type дают приемлемый результат
+- **large-v3 на длинных записях (>20 мин)**: галлюцинации даже с float16 — medium надёжнее
 
 ## Настройка по платформам
 
@@ -185,10 +215,12 @@ winget install -e --id Nvidia.CUDA --version 12.9   # требует запус
 
 Замеры на RTX 3060 Laptop (6 GB) и Intel CPU (WSL2):
 
-| Конфигурация | 16 мин файл | 42 мин файл | Отн. скорость |
+| Конфигурация | 16 мин файл | 46 мин файл | Отн. скорость |
 |-------------|-------------|-------------|---------------|
-| GPU + medium float16 | ~35с | ~133с | ~19x реалтайм |
+| GPU + medium float16 | **53с** | **127с** | **~18-22x реалтайм** |
-| GPU + large-v3 float16 | ~90с | ~350с | ~7x реалтайм |
+| GPU + large-v3 float16 | 86с | 271с | ~10-11x реалтайм |
+| GPU + medium int8_float32 | 64с | — | ~15x реалтайм |
+| GPU + medium int8_float16 | 54с | — | ~18x реалтайм |
 | **OpenVINO + small int8** | **93с** | **153с** | **~10-16x реалтайм** |
 | **OpenVINO + medium int8** | **171-205с** | **413с** | **~4-6x реалтайм** |
 | **OpenVINO + large-v3 fp16** | **416с** | — | **~2.3x реалтайм** |
@@ -196,28 +228,34 @@ winget install -e --id Nvidia.CUDA --version 12.9   # требует запус
 | CPU + medium float32 | 658с (11 мин) | ~26 мин | ~1.5x реалтайм |
 | CPU + large-v3 int8 | 839с (14 мин) | ~37 мин | ~1:1 реалтайм |
 
-\* Замер на AMD Ryzen 7 8845H (8 потоков), файл 14:41. На эталонном 16-мин файле — TBD.
+\* Замер CPU int8_float32 на AMD Ryzen 7 8845H (8 потоков), файл 14:41.
 
 ## Результаты тестирования качества
 
 Тесты проведены на реальных записях рабочих созвонов (русский язык, технические термины:
 SQL, PostgreSQL, Greenplum, Airflow, ClickHouse, Docker, CDR, GTP, MAP).
 
-| Конфигурация | Качество (длинная запись, 42 мин) | Проблемы |
+| Конфигурация | Качество (короткие, ≤16 мин) | Качество (длинные, >40 мин) | Проблемы |
-|---|---|---|
+|---|---|---|---|
-| large-v3 int8 GPU | Плохо | Галлюцинации (фразы ×25), потеря контента |
+| medium float16 GPU | **Отлично** | **Отлично** | Единичные ляпы в терминах ("email" вместо "ML") |
-| large-v3 float16 GPU | Отлично | — |
+| medium int8_float32 GPU | **Отлично** | — | Качество ≈ float16, но на 20% медленнее |
-| medium float16 GPU | Хорошо | Редкие мелкие ляпы в терминах |
+| medium int8_float16 GPU | Хорошо | — | 1-2 ошибки |
-| medium int8_float32 CPU | Отлично | Качество ≈ float32, на уровне облачных сервисов |
+| large-v3 float16 GPU | Хорошо | **Плохо** | Галлюцинации на длинных записях (мусор на 3+ языках) |
-| medium float32 CPU | Хорошо | Сопоставимо с large-v3 int8, без галлюцинаций |
+| large-v3 int8_float32 GPU | **Плохо** | — | Повтор фраз ("Ага" ×18), искажения |
-| large-v3 int8 CPU | Хорошо | Без галлюцинаций (на коротких файлах) |
+| large-v3 int8_float16 GPU | **Неприемлемо** | — | Мусор, китайские/арабские символы, потеря текста |
+| large-v3 int8 GPU | **Плохо** | **Плохо** | Галлюцинации (фразы ×25), потеря контента |
+| medium int8_float32 CPU | **Отлично** | — | Качество ≈ float32, на уровне облачных сервисов |
+| medium float32 CPU | **Отлично** | Хорошо | Эталон качества |
+| large-v3 int8 CPU | Хорошо | — | Без галлюцинаций (на коротких файлах) |
 
 ### Ключевые выводы
 
 1. **Указание языка (`--language ru`) критично** — auto-detect может ошибиться и выдать мусор
-2. **float16/float32 стабильнее int8** — особенно на записях >20 минут
+2. **medium + float16 на GPU — лучший баланс** скорости и качества для любых записей
-3. **medium + float16 на GPU — лучший баланс** скорости и качества для повседневного использования
+3. **large-v3 ненадёжен на длинных записях (>20 мин)** — галлюцинации даже с float16;
-4. **large-v3 + float16 на GPU** — для максимального качества важных записей
+   medium стабильнее на любой длине
+4. **medium устойчив к квантизации** — все варианты compute_type дают приемлемый результат;
+   large-v3 деградирует катастрофически при любом int8
 5. **CPU: int8_float32 — лучший баланс** — 1.5x быстрее float32 при том же качестве
 6. **OpenVINO быстрее, но CPU бэкенд качественнее** — разница в pipeline декодирования
    (temperature fallback, фильтры галлюцинаций), а не в квантизации
@@ -235,11 +273,13 @@ VAD) доступен только через CTranslate2, т.е. на CPU и NV
 не зависящая от inference engine. Это даст Intel Arc / AMD GPU то же качество,
 что сейчас есть только у CUDA-пользователей.
 
-### CUDA: тестирование int8_float32 / int8_float16
+### CUDA: int8_float32 / int8_float16 — протестировано
 
 На CPU `int8_float32` показал качество на уровне float32 при 1.5x ускорении.
-На CUDA аналогичный эффект может решить проблему галлюцинаций large-v3 с int8
+На GPU (RTX 3060) результат другой: для **medium** int8_float32 даёт сопоставимое
-при сохранении скорости GPU. Требуется тестирование на реальном NVIDIA GPU.
+качество, но на 20% медленнее float16 — выигрыша нет. Для **large-v3** любой int8
+вариант (включая int8_float32) вызывает галлюцинации — float32 аккумулятор не спасает
+глубокую модель на GPU. Вывод: **float16 остаётся оптимальным дефолтом для CUDA**.
 
 ## Troubleshooting
 

src/local_transcriber/backends/base.py

@@ -30,8 +30,12 @@ class Backend(Protocol):
         model_path: str,
         device: str,
         compute_type: str,
+        cpu_threads: int = 0,
     ) -> Any:
-        """Создаёт модель. Возвращает backend-специфичный объект."""
+        """Создаёт модель. Возвращает backend-специфичный объект.
+
+        cpu_threads: число потоков для CPU inference (0 = дефолт библиотеки).
+        """
         ...
 
     def transcribe(

src/local_transcriber/backends/faster_whisper.py

@@ -84,10 +84,17 @@ class FasterWhisperBackend:
         model_path: str,
         device: str,
         compute_type: str,
+        cpu_threads: int = 0,
     ) -> Any:
-        """Создаёт WhisperModel."""
+        """Создаёт WhisperModel.
+
+        cpu_threads: число потоков для CPU inference (0 = дефолт библиотеки, обычно 4).
+        """
         try:
-            return WhisperModel(model_path, device=device, compute_type=compute_type)
+            return WhisperModel(
+                model_path, device=device, compute_type=compute_type,
+                cpu_threads=cpu_threads,
+            )
         except ImportError as exc:
             if _is_missing_socksio_error(exc):
                 raise RuntimeError(

src/local_transcriber/backends/openvino.py

@@ -106,8 +106,9 @@ class OpenVINOBackend:
         model_path: str,
         device: str,
         compute_type: str,
+        cpu_threads: int = 0,
     ) -> Any:
-        """Создаёт WhisperPipeline."""
+        """Создаёт WhisperPipeline. cpu_threads не используется (OpenVINO управляет сам)."""
         import openvino_genai as ov_genai
 
         ov_dev = self._resolve_ov_device()

src/local_transcriber/cli.py

@@ -61,6 +61,10 @@ def main(
         None, "--compute-type", show_default=False,
         help="Тип вычислений [по умолч.: float16 (CUDA) / int8 (OpenVINO GPU/CPU) / float32 (CPU)]"
     ),
+    threads: int = typer.Option(
+        0, "--threads", "-t", show_default=False, min=0,
+        help="Потоки CPU (0 = дефолт библиотеки; рекомендуется = число физ. ядер)"
+    ),
     verbose: bool = typer.Option(False, "--verbose", "-v", help="Подробный вывод"),
     force: bool = typer.Option(False, "--force", "-f", help="Перезаписать существующие транскрипты"),
 ) -> None:
@@ -89,9 +93,9 @@ def main(
             raise SystemExit(1)
 
         if is_batch:
-            _run_batch(expanded, defaults, verbose, force, ct_explicit)
+            _run_batch(expanded, defaults, verbose, force, ct_explicit, cpu_threads=threads)
         else:
-            _run_single(expanded[0], defaults, output, verbose, ct_explicit)
+            _run_single(expanded[0], defaults, output, verbose, ct_explicit, cpu_threads=threads)
     except KeyboardInterrupt:
         console.print("\nПрервано пользователем.", style="yellow")
         raise SystemExit(130)
@@ -129,6 +133,7 @@ def _run_single(
     output: Path | None,
     verbose: bool,
     compute_type_explicit: bool = False,
+    cpu_threads: int = 0,
 ) -> None:
     """Пайплайн одного файла: валидация → модель → транскрипция → запись."""
     start = time.monotonic()
@@ -148,6 +153,7 @@ def _run_single(
         defaults["model"], resolved_device, defaults["compute_type"],
         on_status=lambda msg: console.print(msg), strict_device=strict,
         compute_type_explicit=compute_type_explicit,
+        cpu_threads=cpu_threads,
     )
     actual_ct = getattr(backend, "actual_compute_type", defaults["compute_type"]) or defaults["compute_type"]
     console.print(
@@ -174,6 +180,7 @@ def _run_single(
             on_segment=on_segment if verbose else None,
             on_status=status.update,
             strict_device=strict,
+            cpu_threads=cpu_threads,
         )
 
     result = tfr.result
@@ -219,6 +226,7 @@ def _run_batch(
     verbose: bool,
     force: bool,
     compute_type_explicit: bool = False,
+    cpu_threads: int = 0,
 ) -> None:
     """Трёхфазный батч-пайплайн: prescan → загрузка модели → транскрипция."""
     # Phase 1: Prescan — fail-fast + skip до загрузки модели (экономим ~2-5 сек)
@@ -256,6 +264,7 @@ def _run_batch(
         defaults["model"], resolved_device, defaults["compute_type"],
         on_status=lambda msg: console.print(msg), strict_device=strict,
         compute_type_explicit=compute_type_explicit,
+        cpu_threads=cpu_threads,
     )
 
     if actual_device == "openvino-gpu" and defaults["model"] != "large-v3":
@@ -306,6 +315,7 @@ def _run_batch(
                     on_segment=on_segment if verbose else None,
                     on_status=status.update if not verbose else lambda msg: console.print(msg),
                     strict_device=strict,
+                    cpu_threads=cpu_threads,
                 )
 
             if tfr.actual_device != actual_device:

src/local_transcriber/transcriber.py

@@ -22,11 +22,13 @@ def load_model(
     on_status: Callable[[str], None] | None = None,
     strict_device: bool = False,
     compute_type_explicit: bool = False,
+    cpu_threads: int = 0,
 ) -> tuple[Any, str, Any, str]:
     """Загружает модель: ensure + create с fallback.
 
     Возвращает (model, actual_device, backend, model_path).
     compute_type_explicit: True если пользователь явно указал --compute-type.
+    cpu_threads: число потоков для CPU inference (0 = дефолт библиотеки).
     """
     backend = get_backend(device, compute_type_explicit=compute_type_explicit)
     actual_device = device
@@ -35,7 +37,7 @@ def load_model(
 
     try:
         _notify_status(on_status, f"Инициализирую модель на {device}...")
-        model = backend.create_model(model_path, device, compute_type)
+        model = backend.create_model(model_path, device, compute_type, cpu_threads=cpu_threads)
         # Резолвим actual_device по реальному OpenVINO device
         ov_dev = getattr(backend, "actual_ov_device", None)
         if ov_dev == "GPU" and actual_device != "openvino-gpu":
@@ -55,7 +57,7 @@ def load_model(
             backend = get_backend("cpu")
             model_path = backend.ensure_model_available(model_name, compute_type, on_status)
             _notify_status(on_status, "Инициализирую модель на cpu...")
-            model = backend.create_model(model_path, "cpu", compute_type)
+            model = backend.create_model(model_path, "cpu", compute_type, cpu_threads=cpu_threads)
         else:
             raise
 
@@ -74,6 +76,7 @@ def _transcribe_file(
     on_segment: Callable[[Segment], None] | None = None,
     on_status: Callable[[str], None] | None = None,
     strict_device: bool = False,
+    cpu_threads: int = 0,
 ) -> TranscribeFileResult:
     """Транскрибирует один файл. При mid-stream fallback перезагружает модель."""
     lang_arg = language if language and language != "auto" else None
@@ -95,7 +98,7 @@ def _transcribe_file(
             backend = get_backend("cpu")
             model_path = backend.ensure_model_available(model_name, compute_type, on_status)
             _notify_status(on_status, "Инициализирую модель на cpu...")
-            model = backend.create_model(model_path, "cpu", compute_type)
+            model = backend.create_model(model_path, "cpu", compute_type, cpu_threads=cpu_threads)
             _notify_status(on_status, "Транскрибирую...")
             result = backend.transcribe(model, file_path, lang_arg, on_segment, on_status)
             result.device_used = actual_device
@@ -120,16 +123,19 @@ def transcribe(
     on_segment: Callable[[Segment], None] | None = None,
     on_status: Callable[[str], None] | None = None,
     strict_device: bool = False,
+    cpu_threads: int = 0,
 ) -> TranscribeResult:
     """High-level API: загрузка модели + транскрипция за один вызов."""
     model, actual_device, backend, model_path = load_model(
         model_name, device, compute_type, on_status, strict_device,
         compute_type_explicit=True,  # Python API — caller explicitly chose compute_type
+        cpu_threads=cpu_threads,
     )
     tfr = _transcribe_file(
         model, actual_device, backend, model_path,
         file_path, model_name, compute_type,
         language, on_segment, on_status, strict_device,
+        cpu_threads=cpu_threads,
     )
     return tfr.result
 

tests/test_backend_openvino.py

@@ -31,7 +31,7 @@ def test_resolve_repo_explicit_unsupported_pair_raises():
     """Явный --compute-type с несуществующей парой → ошибка."""
     backend = OpenVINOBackend(compute_type_explicit=True)
     with pytest.raises(ValueError, match="недоступна с compute_type='fp16'"):
-        backend._resolve_repo("medium", "fp16")
+        backend._resolve_repo("small", "fp16")
 
 
 def test_resolve_repo_explicit_unknown_model_raises():

tests/test_cli.py

@@ -862,3 +862,62 @@ def test_cli_openvino_alias_resolves_to_gpu(tmp_path):
     assert out.exit_code == 0
     # detect_device("openvino") resolved to "openvino-gpu", load_model receives it
     assert mock_load_model.call_args[0][1] == "openvino-gpu"
+
+
+# === --threads ===
+
+
+def test_cli_threads_passed_to_load_model(tmp_path):
+    """--threads передаётся в load_model как cpu_threads."""
+    audio = tmp_path / "test.mp3"
+    audio.write_bytes(b"fake")
+    result = _make_result()
+    model = _make_model()
+    backend = _make_backend()
+    tfr = _make_tfr(result=result, model=model, backend=backend)
+    mock_load_model = MagicMock(return_value=(model, "cpu", backend, "/models/medium"))
+
+    with (
+        patch("local_transcriber.cli.load_config", return_value={}),
+        patch("local_transcriber.cli.validate_input_file", return_value=audio),
+        patch("local_transcriber.cli.detect_device", return_value="cpu"),
+        patch("local_transcriber.cli.load_model", mock_load_model),
+        patch("local_transcriber.cli._transcribe_file", return_value=tfr),
+        patch("local_transcriber.cli.write_transcript"),
+    ):
+        out = runner.invoke(app, [str(audio), "--threads", "8"])
+
+    assert out.exit_code == 0
+    assert mock_load_model.call_args.kwargs["cpu_threads"] == 8
+
+
+def test_cli_threads_default_zero(tmp_path):
+    """Без --threads load_model получает cpu_threads=0."""
+    audio = tmp_path / "test.mp3"
+    audio.write_bytes(b"fake")
+    result = _make_result()
+    model = _make_model()
+    backend = _make_backend()
+    tfr = _make_tfr(result=result, model=model, backend=backend)
+    mock_load_model = MagicMock(return_value=(model, "cpu", backend, "/models/medium"))
+
+    with (
+        patch("local_transcriber.cli.load_config", return_value={}),
+        patch("local_transcriber.cli.validate_input_file", return_value=audio),
+        patch("local_transcriber.cli.detect_device", return_value="cpu"),
+        patch("local_transcriber.cli.load_model", mock_load_model),
+        patch("local_transcriber.cli._transcribe_file", return_value=tfr),
+        patch("local_transcriber.cli.write_transcript"),
+    ):
+        out = runner.invoke(app, [str(audio)])
+
+    assert out.exit_code == 0
+    assert mock_load_model.call_args.kwargs["cpu_threads"] == 0
+
+
+def test_cli_threads_negative_rejected(tmp_path):
+    """--threads с отрицательным значением отклоняется typer (min=0)."""
+    audio = tmp_path / "test.mp3"
+    audio.write_bytes(b"fake")
+    out = runner.invoke(app, [str(audio), "--threads", "-1"])
+    assert out.exit_code != 0

tests/test_transcriber.py

@@ -321,6 +321,34 @@ def test_load_model_returns_backend_and_path(mock_get_backend):
     assert actual_device == "cpu"
 
 
+@patch("local_transcriber.transcriber.get_backend")
+def test_load_model_passes_cpu_threads_to_backend(mock_get_backend):
+    backend = _make_backend(model_path="/mock/model/path")
+    mock_get_backend.return_value = backend
+
+    load_model("tiny", "cpu", "int8", cpu_threads=8)
+
+    assert backend.create_model.call_args.kwargs["cpu_threads"] == 8
+
+
+@patch("local_transcriber.transcriber.get_backend")
+def test_load_model_fallback_preserves_cpu_threads(mock_get_backend):
+    cuda_backend = _make_backend(create_model_error=RuntimeError("CUDA out of memory"))
+    cpu_model = MagicMock()
+    cpu_backend = _make_backend(model=cpu_model, model_path="/mock/cpu/model")
+
+    def backend_for_device(device, **kwargs):
+        return cuda_backend if device == "cuda" else cpu_backend
+
+    mock_get_backend.side_effect = backend_for_device
+
+    with pytest.warns(UserWarning, match="Переключение на CPU"):
+        load_model("tiny", "cuda", "int8", cpu_threads=6)
+
+    assert cuda_backend.create_model.call_args.kwargs["cpu_threads"] == 6
+    assert cpu_backend.create_model.call_args.kwargs["cpu_threads"] == 6
+
+
 # === _transcribe_file() tests ===
 
 
@@ -527,6 +555,36 @@ def test_transcribe_file_openvino_gpu_midstream_fallback(mock_get_backend):
     assert tfr.model_path == "/mock/cpu/model"
 
 
+@patch("local_transcriber.transcriber.get_backend")
+def test_transcribe_file_midstream_fallback_preserves_cpu_threads(mock_get_backend):
+    ov_backend = _make_backend(
+        transcribe_error=RuntimeError("OpenVINO inference error"),
+    )
+    cpu_backend = _make_backend(
+        transcribe_result=_make_result(count=2, device_used="cpu"),
+        model_path="/mock/cpu/model",
+    )
+
+    def backend_for_device(device, **kwargs):
+        return ov_backend if device.startswith("openvino") else cpu_backend
+
+    mock_get_backend.side_effect = backend_for_device
+
+    with pytest.warns(UserWarning, match="Переключение на CPU"):
+        _transcribe_file(
+            model=MagicMock(),
+            actual_device="openvino-gpu",
+            backend=ov_backend,
+            model_path="/mock/ov/model",
+            file_path=Path("test.mp3"),
+            model_name="medium",
+            compute_type="fp16",
+            cpu_threads=6,
+        )
+
+    assert cpu_backend.create_model.call_args.kwargs["cpu_threads"] == 6
+
+
 @patch("local_transcriber.transcriber.get_backend")
 def test_openvino_gpu_strict_device_no_fallback(mock_get_backend):
     """strict_device=True + OpenVINO GPU ошибка → raise."""