5分钟跑通faster-whisper语音转文字

5分钟跑通faster-whisper语音转文字

【免费下载链接】faster-whisperFaster Whisper transcription with CTranslate2项目地址: https://gitcode.com/GitHub_Trending/fa/faster-whisper

上周三，我把一段 1 小时 40 分的播客扔进脚本，4 分 20 秒后，一份带时间戳的文字稿就躺在控制台里。这个工具叫 faster-whisper——OpenAI Whisper 模型的重新实现（详见 faster_whisper/transcribe.py）。它用 CTranslate2 这个专为 Transformer 推理提速的引擎（CTranslate2，可以理解为给模型推理"换了台高速发动机"）重写了推理流程，速度最高是原版的 4 倍，内存占用更小，识别准确度不变。

它到底能干什么

离线转写。装在本机跑，不需要把音频上传到任何服务器。录音里的客户信息、内部讨论，都不会出你的电脑。

又快又省。官方基准：同一条 13 分钟音频、large-v2 模型，原版 Whisper 在 GPU 上要 2 分 23 秒，faster-whisper 用 1 分 03 秒，换成 8 位量化（INT8，把模型数字从高精度压缩成低精度来提速省内存）只要 59 秒，显存从约 4.7GB 降到约 2.9GB。

逐字定位。默认给句子级时间戳，开一个参数还能精确到每个单词，做字幕、做对齐都够用。

开箱解码。依赖 PyAV 自带 FFmpeg 解码库，mp3、m4a、flac 直接读，不用自己装 FFmpeg。

[!NOTE] 快的原因：换了更快的推理引擎，还能对模型做量化压缩。

从零到跑通

安装：一条命令，音频解码库随包自带，无需另装 FFmpeg。

pip install faster-whisper

最小示例：加载 base 模型，把仓库自带的 tests/data/jfk.flac 转成文字（换成你自己的音频路径即可）。

from faster_whisper import WhisperModel model = WhisperModel("base", device="cpu", compute_type="int8") segments, info = model.transcribe("tests/data/jfk.flac") print(f"检测到语言：{info.language}，置信度 {info.language_probability:.2f}") for seg in segments: print(f"[{seg.start:.2f}s -> {seg.end:.2f}s] {seg.text}")

跑完你会先看到一行语言检测结果，例如检测到语言：en，置信度 1.00，随后是若干行带起止时间的文字，每行一句，按说话顺序排列。注意 segments 是个生成器，必须被 for 循环遍历，转写才真正开始。

按你的硬件选档：

三个容易忽略的实用技巧

逐词时间戳：字幕卡点对齐的关键

做字幕时最烦的就是"这句话的 0.5 秒里，到底哪个词在响"。

效果：每个词都带起止时间，逐词卡点不再是估算。

segments, _ = model.transcribe("video_audio.mp3", word_timestamps=True) for seg in segments: for w in seg.words: # 每行一个词 print(f"{w.start:.2f} {w.word}", end=" | ")

适合：视频字幕制作、歌词对齐、口语语速分析等需要词级精度的活。

hotwords：让专有名词不再被写错

内部评审录音里，模型把公司项目代号"星舰"听成了"星空"，反复改稿很浪费时间。

效果：把关键词塞进提示，识别时优先选这些词，专名错字明显减少。

segments, _ = model.transcribe( "meeting.mp3", language="zh", hotwords="星舰 青鸟 张一鸣", # 人名、产品名、内部黑话 )

适合：行业术语密集的行业会议、医疗/法律访谈等错一个专名就不行的场景。

VAD 参数：长停顿不再切碎你的句子

录完一场带长段思考的访谈，输出里一句话被拦腰截成三四段，断点都在停顿的地方——这是静音过滤默认参数在"帮倒忙"。

效果：调大最小静音阈值，长停顿不再触发断句，句意保持完整。

segments, _ = model.transcribe( "interview.wav", vad_filter=True, vad_parameters=dict( min_silence_duration_ms=1500, # 停顿超 1.5 秒才断开 threshold=0.5, # 语音判定阈值，越低越灵敏 ), )

适合：访谈、讲座、电话录音这类停顿多、但句子不该被拆碎的音频。全部参数默认值见 faster_whisper/vad.py。

我的实际工作流

播客出字幕：原始 MP3 → 16kHz 单声道（用 Audacity 转一下）→ faster-whisper 语音转文字 + word_timestamps → 逐行生成 SRT → 导入剪映或 Premiere 微调卡点。

会议文档：1 小时会议录音 → faster-whisper + hotwords（项目名、人名）→ 带时间戳的文字稿 → 按时间戳回听关键段，补上决策与待办。

什么情况下别用它

如果音频里背景音乐和说话声混在一起，比如街头采访或带 BGM 的短视频，识别结果会掺进幻觉文字。替代思路：先用 Audacity 或降噪工具把人声单独抽出来，再送进来转写。

如果你要的是"说话同时出字幕"的真·实时效果，这个工具本质是整段（或按窗口）离线处理的，别指望它毫秒级响应。替代思路：看看基于它的流式项目，如 WhisperLive、whisper-streaming 这类做实时包装的方案。

多人会议想分清"谁说了什么"，它本身不做说话人分离。替代思路：搭配 pyannote.audio 或 WhisperX 做 diarization（说话人分离，即判断每句话是谁说的），再用它的词级时间戳去对齐。

速查

收尾

faster-whisper 的价值一句话：本机离线、准确度和原版一致，速度 4 倍，内存更省。现在就能做的一件事——pip install faster-whisper，拿仓库里的 tests/data/jfk.flac 跑通第一个例子。先跑通，再谈调优。

【免费下载链接】faster-whisperFaster Whisper transcription with CTranslate2项目地址: https://gitcode.com/GitHub_Trending/fa/faster-whisper