faster-whisper 语音转文字完整使用指南安装、转录与性能调优教程【免费下载链接】faster-whisperFaster Whisper transcription with CTranslate2项目地址: https://gitcode.com/GitHub_Trending/fa/faster-whisperfaster-whisper 是一个用 CTranslate2 推理引擎重构的 Whisper 语音转文字ASR工具在保持同等识别准确率的同时转录速度最高提升 4 倍、内存占用更低并支持 8 位量化进一步压缩显存/内存。本文帮你判断它是否适合你的场景并给出从安装到调优的最小上手路径。一、faster-whisper 能解决什么问题如果你在用原版 openai/whisper 处理长音频最常见的两个痛点是转录太慢、吃内存/显存。faster-whisper 把 Whisper 模型搬到 CTranslate2 这个 Transformer 专用推理引擎上通过批处理、量化、VAD 剪枝等工程手段换取速度而模型权重与识别逻辑不变因此准确率基本对齐。先看官方在13 分钟音频上的实测对比GPUlarge-v2 模型beam_size5实现精度耗时显存openai/whisperfp162m23s4708MBfaster-whisperfp161m03s4525MBfaster-whisperbatch_size8fp1617s6090MBfaster-whisperint8int859s2926MBfaster-whisperbatch_size8, int8int816s4500MB以上 GPU 数据基于 NVIDIA RTX 3070 Ti 8GB、CUDA 12.4。CPU 侧 small 模型在 i7-12700K8 线程上原版 openai/whisper 为 6m58s / 2335MBfaster-whisper int8 批处理可做到 51s / 3608MB。结论如果你要的是「同等准确率、更快出结果、更省资源」它是比原版 Whisper 更稳的选择若你已在用 whisper.cpp 且对延迟极敏感两者量级接近可按部署习惯二选一。二、怎么安装 faster-whisper环境要求只有 Python 3.9。与原版 openai-whisper 不同它不需要系统安装 FFmpeg——音频解码由 PyAV 库自带 FFmpeg 库完成这是新手最容易忽略的一点。# CPU一条命令即可 pip install faster-whisper # GPU 额外需要 NVIDIA 库cuBLAS cuDNN 9对应 CUDA 12Linux 可用 pip 安装 pip install nvidia-cublas-cu12 nvidia-cudnn-cu129.*⚠️ CUDA 版本要匹配最新 ctranslate2 只支持 CUDA 12 cuDNN 9。若你是 CUDA 11/cuDNN 8需把 ctranslate2 降到 3.24.0CUDA 12 cuDNN 8 降到 4.4.0。用 Docker 也可直接基于官方nvidia/cuda运行时镜像省去手工装库。三、faster-whisper 怎么用核心是 faster_whisper/transcribe.py 里的WhisperModel。最小可运行示例GPU FP16from faster_whisper import WhisperModel model WhisperModel(large-v3, devicecuda, compute_typefloat16) segments, info model.transcribe(audio.mp3, beam_size5) print(Detected language %s with probability %f % (info.language, info.language_probability)) for segment in segments: print([%.2fs - %.2fs] %s % (segment.start, segment.end, segment.text))几个要点模型自动下载传入large-v3、turbo、distil-large-v3等尺寸名时对应 CTranslate2 模型会自动从 Hugging Face Hub 拉取并缓存也可传入本地目录或微调后的模型 ID 直接加载。自动语言检测info.language与info.language_probability给出检测到的语言及置信度多语言场景无需额外配置。音频解码audio.mp3可以是本地路径、二进制流或 numpy 数组解码逻辑见 faster_whisper/audio.py。四、怎么调优 faster-whisper按「提速 → 省资源 → 提精度」三个方向选批处理提速BatchedInferencePipeline可无缝替换WhisperModel.transcribe把多片段凑批推理。上表里 GPU 从 1m03s 降到 16s、CPU small 从 1m42s 降到 51s主要靠的就是它批处理默认启用 VAD。8 位量化省资源CPU 用compute_typeint8GPU 用int8_float16。large-v2 在 GPU 上 int8 后显存从 4525MB 降到 2926MB。词级时间戳word_timestampsTrue让每个词都带起止时间适合做字幕。VAD 静音剪枝vad_filterTrue会先过滤无人声片段长音频尤其受益可用vad_parameters调阈值。VAD 基于 Silero VAD实现见 faster_whisper/vad.py。更快模型英文或追求极致速度可换distil-large-v3/turbodistil 系需显式languageen并关闭condition_on_previous_text。更多参数beam_size、temperature、hotwords等见WhisperModel.transcribe方法签名速度基准脚本可参考 benchmark/speed_benchmark.py。五、常见误区与避坑指南segments是生成器transcribe返回的segments在被遍历前并不会真正执行转录。要拿全结果必须for循环或list(segments)否则看起来「没反应」。对比口径要一致faster-whisper 默认beam_size5而 openai/whisper 默认beam_size1。跨实现比较时若 beam 不一致速度与准确率都不可比CPU 侧还要对齐OMP_NUM_THREADS。GPU 环境别漏依赖缺 cuBLAS/cuDNN 或 CUDA 版本不匹配时加载会失败对照第二节的版本要求逐项核对。VAD 默认值偏保守默认只剪掉超过 2 秒的静音。若你的音频短句多、静音碎可收紧min_silence_duration_ms。下一步如果你要的是「同等准确率下更快更省的语音转文字」直接pip install faster-whisper装上用第三节的示例跑一遍你的音频再按第四节按需开启批处理与量化即可。【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