免费开源的离线语音转文字工具 faster-whisper-GUI：5 分钟把会议录音变成带说话人的字幕

【免费下载链接】faster-whisper-GUIfaster_whisper GUI with PySide6项目地址: https://gitcode.com/gh_mirrors/fa/faster-whisper-GUI

晚上十一点，编辑阿May对着 3 小时的采访录音叹气：要转成文字稿、标出发言人，明早交稿。在线工具要么贵，要么得把录音传上云端。你经历过这种时刻吗？其实有一款完全免费、离线运行的开源语音转文字工具——faster-whisper-GUI，专治这类场景：不用写代码，把音频视频拖进界面，就能一键生成带时间戳的字幕和文字稿，全程在你自己的电脑上完成。

不管你是要整理课堂笔记的学生、要给视频配字幕的创作者，还是被会议记录反复折磨的职场人，这篇文章都会告诉你：从下载安装到跑通第一次转写，真的只要几分钟。

一句话说清楚：它到底是做什么的

faster-whisper-GUI 是把 faster-whisper 和 WhisperX 封装成图形界面的离线语音转文字软件。它面向所有不想碰命令行、又想要专业识别效果的人。你要做的只有三件事：把文件加进去，选好参数，点开始。

它最打动我的，是这三个地方：

第一，完全离线，数据不出你的电脑。敏感录音、未发布的选题、客户的电话内容，统统不用上传到任何服务器。网络断了一样能跑，识别结果只属于你。

第二，开箱即用，对新手极其友好。没有一行代码，没有黑乎乎的终端窗口，所有参数都有中文界面和默认值兜底。装上就能用，这点对普通用户太重要了。

第三，它不是"只能转文字"的单一工具。除了基础转写，它还集成了 WhisperX 的说话人识别与时间戳对齐、Demucs 的人声分离，以及 SRT、VTT、LRC、SMI、TXT 多种输出格式。一个软件，覆盖了你大部分音频处理需求。

为什么值得换用：那些"绕远路"的方式，到底坑在哪

先说说大多数人现在的做法，你大概也试过其中一种。

用在线转写网站？免费额度永远不够用，几百分钟的音频随便一测就见底了；付费套餐按月收费，一年下来够吃好几顿好的。更麻烦的是，你得把录音传到别人的服务器上——如果是公司会议、客户访谈这种内容，上传那一刻起，你就在赌对方的隐私承诺了。

用命令行工具？Whisper 本身确实强大，但对普通用户来说，装 Python 环境、配 CUDA、敲参数命令……光是第一步就能劝退一大半人。让一个剪辑师去查"如何使用 GPU 加速的 whisper"，是不是有点荒谬？

用手机 App？格式受限、时长受限，识别效果也参差不齐，长录音更是容易中途失败。

问题出在哪里？其实不是技术不行，而是"能力"和"使用门槛"之间缺了一座桥。faster-whisper-GUI 做的就是这座桥：把开源社区最强的 Whisper 识别引擎、专业级的后处理功能，全部搬进一个你熟悉的图形窗口里。你不需要懂模型、懂解码器，只需要知道"点哪个按钮"。

三步快速上手：从零到第一次转写，5 分钟搞定

别被"开源项目"四个字吓到，上手比你想象中简单得多。

第一步：获取源码并安装依赖。打开终端，依次执行：

git clone https://gitcode.com/gh_mirrors/fa/faster-whisper-GUI cd faster-whisper-GUI pip install -r requirements.txt python FasterWhisperGUI.py

依赖安装完成后，python FasterWhisperGUI.py就会唤起主界面。如果网络环境特殊导致个别依赖安装缓慢，耐心等一会儿就好，一次装齐最省事。

第二步：配置模型。在"模型参数"页面，你可以选择在线下载模型（tiny、base、small、medium、large-v3 等），也可以指定本地已有的模型目录；再选好处理设备（有 NVIDIA 显卡就选 cuda，没有就选 cpu）和计算精度。第一次用建议直接选一个小模型跑通流程，之后再按需求升级。

第三步：添加文件，点击开始。进入转写页面，添加你要处理的音频或视频——支持 MP3、WAV、MP4、AVI 等常见格式，也支持一次性拖入多个文件排队处理。语言设为 Auto，其他参数先保持默认，然后按下开始按钮，等结果出来。

从打开终端到看到第一份转写结果，实测大概 5 分钟。第一次识别要额外算上模型下载的时间，但之后每次打开都是秒加载。

核心能力拆解：三个最常见的场景，它分别怎么帮你

与其罗列功能清单，不如直接看它在你真实生活里怎么用。

场景一：采访录音要标出"谁说的"，怎么办

做访谈、开会、录播客的朋友都有过这种抓狂时刻：转文字还好办，难的是分清"这句是谁说的"。而 WhisperX 的说话人识别（Speaker Diarization）就是干这个的。

操作上，你在转写完成后切到 WhisperX 页面，开启说话人分割，再设置一个合理的说话人数范围（比如 min 1、max 4），软件就会自动按音色把音频划分成不同说话人，并在结果中标注出来。搭配时间戳对齐功能，文字和声音的同步误差可以压到 0.1 秒以内——这意味着你拿到的字幕，几乎不需要再手动校对时间轴。

对记者、播客制作人来说，这一步直接把"数小时的整理工作"压缩成了"喝杯咖啡的功夫"。

场景二：要给视频配字幕，但一个字幕软件都不想装

做视频的朋友都知道，字幕这块最费时间。faster-whisper-GUI 的输出格式覆盖了几乎所有场景：SRT 是视频剪辑软件通用的标准字幕格式，VTT 适合网页播放器，TXT 适合快速阅读和二次编辑，LRC 则可以直接当歌词用。

你只需要在转写参数里选好格式，点开始，等进度条走完，就能在结果页面看到带精确时间戳的文字，并一键导出。生成的 SRT 文件拖进剪映、Premiere、Final Cut Pro，字幕轨道直接就能用。

场景三：背景音乐盖过人声，识别效果一团糟

这是个很容易被忽视的坑：会议录音里有空调声、街边采访有车流声、音乐节目有人声和伴奏混在一起——识别率会肉眼可见地下降。这时候先别急着调参数，试试 Demucs 音频分离。

在 Demucs 页面添加文件，设置分段长度（默认 10 秒即可），选择输出"人声"音轨，点击提取，软件就会把人声和伴奏拆开。拿分离后的人声去做转写，准确率提升非常明显。这个功能对剪辑师、音乐爱好者来说，简直像白送了一个专业降噪工具。

一次完整实操：把 1 小时会议录音变成带发言人标注的字幕

理论说再多，不如走一遍完整流程。下面这个例子，就是我日常工作里最典型的任务。

任务目标：把 1 小时的中文团队会议录音，转成带发言人标注的 SRT 字幕。

第 1 步，添加文件。在转写页面添加会议录音。软件会自动过滤掉无效文件，你只需要确认列表里出现的是正确的文件路径。

第 2 步，选择模型。中文会议场景我推荐medium模型——它在速度和准确率之间最平衡。如果你的电脑内存足够（16GB 以上）且追求极致效果，可以上 large-v3；反之，想快速出稿用 small 也完全够用。

第 3 步，设置转写参数。这里有几个关键项，给你我的推荐值和理由：

• 语言：选"zh"（简体中文）而不是 Auto。手动指定语言能让识别更专注，准确率更高；只有在多语言混合时才用自动检测。
• 分块大小（chunk length）：设为15-20 秒。这个区间既能保证上下文连贯，又不会因为单块太长而拖慢速度或耗尽内存。
• 温度（temperature）：设为0.2 左右。温度越低，模型越"保守"，能有效减少"幻听"——也就是凭空编造内容的情况。正式内容建议都调低。
• VAD 过滤：开启，阈值0.5。它能自动跳过静音段落和垫场白，既省时间又减少垃圾输出。
• 词级时间戳：默认关闭。除非你要做卡拉OK歌词，否则开着只会拖慢速度。

第 4 步，转写并做说话人识别。点击开始，等转写完成后切到 WhisperX 页面，开启说话人分割，把说话人数范围设为 1-4（团队会议通常不超过 4 人，范围给大一点更稳妥）。再次运行后，结果里就会带上"说话人 0 / 说话人 1"这样的标注。

第 5 步，检查并导出。在结果页面，你可以直接看到每条字幕的起止时间、文本内容和单词级时间戳。如果发现个别识别错误，可以直接在表格里修正。确认无误后，点击保存，格式选 SRT，一份带发言人标注的字幕就完成了。

整个流程里真正花时间的只有识别本身：1 小时的录音，用 medium 模型加 GPU 大约 5-10 分钟，纯 CPU 大概 20-40 分钟。比起人工听写，已经是数量级的差距。

避坑指南：这些坑，我替你踩过了

用得多了，自然会遇到一些状况。提前知道，能少走很多弯路。

最常遇到的问题：转写速度慢得让人着急。原因多半是模型太大或没开 GPU。解决办法很简单：先换 small 或 medium 模型试试，确认有 NVIDIA 显卡就在设备里选 cuda，并顺手关掉词级时间戳——这一项对速度的影响比你想的大。

遇到识别结果里冒出根本不存在的内容？这是 Whisper 家族的经典毛病，俗称"幻听"。通常是因为温度太高。把温度调到 0.2 以下，开启 VAD 过滤，基本就能压住。另外，在 silent 段落多的录音上，勾选"抑制静音幻觉"相关的阈值选项也有效果。

提示内存不足？优先换更小的模型，这是最直接的解法；其次把分块大小从 20 秒降到 10 秒，单次处理的压力会小很多。长音频也可以先切片再分批转写。

模型下载总是失败？别在网盘和镜像站之间反复横跳。软件内置了在线模型下载和转换功能，直接在"模型参数"页面里点下载最省心；如果你手头已经有 whisper 的原始模型，也可以用软件自带的"转换模型"按钮转成 CTranslate2 格式，一步到位。

批量导入后混进了一堆奇怪文件？文件过滤功能可以自动忽略字幕文件、重复文件和不含音频流的文件。批量处理前先看一眼过滤设置，能避免大量无效任务白白消耗时间。

进阶玩法：让效率再翻一倍的 4 个技巧

跑通基础流程之后，下面这几个玩法能让你的效率再上一个台阶。

技巧一：为不同场景保存参数模板。会议录音开说话人识别、温度调低；外语学习开翻译、分块加大；音乐视频先跑 Demucs 再转写。把每种场景的参数固定下来，下次直接套用，不用每次重新调。

技巧二：善用批量处理。一次性拖入整个文件夹的音频，软件会排队逐个处理。配合文件过滤功能，你甚至可以做到"下班前扔进去，第二天上班拿结果"。

技巧三：用热词（hotwords）提升专有名词准确率。如果录音里频繁出现人名、产品名、行业术语，把它们填进热词提示里，识别正确率会有肉眼可见的提升。做访谈和播客的朋友强烈推荐试试。

技巧四：把 LRC 歌词格式用到极致。开启词级时间戳后导出的 LRC 文件，配合 foobar2000 等播放器，能实现逐字高亮的"卡拉OK"效果。学外语、练听力，甚至做跟读练习都特别好用。

额外彩蛋：和你的剪辑工具链打通。导出的 SRT 直接进剪辑软件，TXT 进文档编辑器，VTT 上网页视频——faster-whisper-GUI 的每一种输出格式，都能无缝接进你现有的工作流。

写在最后

回顾一下，faster-whisper-GUI 真正值钱的地方，可以浓缩成几句话：

• 完全免费，还是开源的，代码明明白白摆在那里；
• 彻底离线，敏感内容不出电脑，隐私安全自己掌握；
• 上手极快，图形界面 + 默认参数，新手也能 5 分钟跑通；
• 能力专业，WhisperX 说话人识别、Demucs 人声分离，都是实打实的硬功能；
• 格式齐全，SRT、VTT、LRC、SMI、TXT，一套工具覆盖所有输出场景。

未来的它，大概率会在实时转写、多语言实时翻译这些方向上继续进化。但即便停留在今天，它也已经足够解决绝大多数人的语音转文字需求了。

最好的学习方式永远是动手。现在就去下载一个音频文件，跟着上面的步骤走一遍——从你按下"开始"按钮，到看到带时间戳的文字一行行出现的那一刻，你会明白为什么这么多人愿意把录音交给它。🚀

【免费下载链接】faster-whisper-GUIfaster_whisper GUI with PySide6项目地址: https://gitcode.com/gh_mirrors/fa/faster-whisper-GUI