faster-whisper 语音转文字 4 倍速完全指南13 分钟音频 1 分钟出结果【免费下载链接】faster-whisperFaster Whisper transcription with CTranslate2项目地址: https://gitcode.com/GitHub_Trending/fa/faster-whisper13 分钟的会议录音原版 Whisper 转一遍要 2 分多钟faster-whisper 是 OpenAI Whisper 的加速语音转文字实现精度不变速度最高提升 4 倍内存还更省。 原理一句话模型没变换的是引擎faster-whisper 不是重写模型而是换了推理引擎加载同一份 Whisper 权重用 CTranslate2 这个 Transformer 推理引擎来跑——同一辆车换了台更快更省油的发动机。13 分钟音频、large-v2 模型在 GPU 上的官方基准实现方式精度耗时显存openai/whisperfp162分23秒4708MBfaster-whisperfp161分03秒4525MBfaster-whisper批量 8fp1617秒6090MBfaster-whisperint859秒2926MB这意味着精度不动速度提升约 2.5 倍再上 int8 量化显存直接砍半批量推理还能把 13 分钟压到 17 秒。⚡ faster-whisper 上手三步跑通环境与依赖Python 3.9 及以上不用单独装 FFmpegPyAV 库已打包好解码组件GPU可选CUDA 12 对应的 cuBLAS 和 cuDNN 9CUDA 11 用户降级ctranslate23.24.0一条命令安装装包只需要一行pip install faster-whisper首次加载模型时会自动从 Hugging Face Hub 下载对应权重网络要通。最小可运行示例下面这段代码加载模型、转写音频并把带时间戳的逐段结果打出来from faster_whisper import WhisperModel # 加载模型GPU FP16无卡可改 devicecpu, compute_typeint8 model WhisperModel(large-v3, devicecuda, compute_typefloat16) segments, info model.transcribe(audio.mp3, beam_size5) print(f检测到语言: {info.language} (概率 {info.language_probability:.2f})) for segment in segments: # 每个片段自带起止时间戳和对应文本 print(f[{segment.start:.2f}s - {segment.end:.2f}s] {segment.text})注意segments是生成器不迭代就不会真正开始转写。想立即跑完就segments list(segments)。进阶单词级时间戳下面的代码把结果细化到每个单词输出每个词的开始和结束时间segments, _ model.transcribe(audio.mp3, word_timestampsTrue) for segment in segments: for word in segment.words: print(f[{word.start:.2f}s - {word.end:.2f}s] {word.word})音频里静音很多时加个vad_filterTrue就能自动跳过静音段更省时。 调优与避坑实操清单模型越大越准不一定怎么选看场景模型选择如果你……就选……如果你要最高精度且多语言选large-v3如果你想省一半时间选turbo或distil-large-v3如果你只有 CPU选small或base配int8省内存如果你对延迟敏感选tiny性能加速要点用 int8 量化compute_typeint8内存大降精度几乎不掉GPU 上换BatchedInferencePipeline批量推理13 分钟音频从 1 分钟干到 17 秒调低beam_size默认 5越小越快精度略降CPU 场景设置OMP_NUM_THREADS固定线程数性能稳定可复现三个常见坑⚠️现象transcribe返回了却什么都没打印。 原因segments是生成器转写还没真正开始。 解法迭代它或先list(segments)。⚠️现象GPU 加载报找不到 cuBLAS / cuDNN。 原因最新版 ctranslate2 只支持 CUDA 12 cuDNN 9。 解法装对应 NVIDIA 库CUDA 11 就降级ctranslate23.24.0。⚠️现象实测速度跟官方基准对不上。 原因beam_size、线程数等设置不一致。 解法先固定beam_size和OMP_NUM_THREADS再对比。 源码地图5 个核心文件faster_whisper/transcribe.py — 主转写逻辑模型加载、分段转写、单词时间戳faster_whisper/audio.py — 音频解码并重采样为 16kHz 单声道faster_whisper/feature_extractor.py — 波形转 log-mel 频谱特征faster_whisper/tokenizer.py — 多语言分词与时间戳 token 处理faster_whisper/vad.py — 语音活动检测过滤无语音片段 上下游生态WhisperX — 在它之上加说话人分离和更精准的词级时间戳speaches — OpenAI 兼容的 API 服务器支持流式转写whisper-diarize — 基于它和 NVIDIA NeMo 的说话人分离工具WhisperLive — 准实时转写以它为后端whisper-standalone-win — 免装环境的独立 CLI 工具包 谁该用这个做会议转写、视频字幕、长音频批处理的人直接用要真流式实时场景的去看基于它做的 Whisper-Streaming 这类项目。拿到源码就能开始git clone https://gitcode.com/GitHub_Trending/fa/faster-whisper【免费下载链接】faster-whisperFaster Whisper transcription with CTranslate2项目地址: https://gitcode.com/GitHub_Trending/fa/faster-whisper创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考