企业官网建设流程全解析

语音转文字快 4 倍：faster-whisper 上手笔记

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

上周三开了三小时的会，录音还躺在硬盘里，手动整理纪要要耗掉整个下午——而这件事每周都要重来一遍。faster-whisper 就是冲着这类场景去的：它是基于 CTranslate2 推理引擎对 OpenAI Whisper 的重实现，核心功能就是语音转文字，而且速度足够快，普通笔记本也能跑得动。

🚀 三步跑通

pip install faster-whisper

第二步，八行代码转出第一段文字：

from faster_whisper import WhisperModel # 加载 base 模型（首次运行自动下载） model = WhisperModel("base", device="cpu", compute_type="int8") segments, info = model.transcribe("meeting.mp3") for seg in segments: print(f"[{seg.start:.2f}s -> {seg.end:.2f}s] {seg.text}")

注意segments是个生成器，真正开始转写是在你遍历它的时候。有 NVIDIA 显卡的话改两个参数就行：device="cuda", compute_type="float16"，运行前先装依赖pip install nvidia-cublas-cu12 nvidia-cudnn-cu12==9.*。

🎯 它解决什么问题

• 带时间戳的转写：剪视频字幕、回看会议录音时，你得知道每句话出现在第几秒。每个 segment 自带 start/end 时间戳，不用再手工对齐。
• 词级时间戳：做卡拉 OK 字幕、歌词对齐这种精细活时，开启word_timestamps=True就能精确到每个词。
• 静音过滤：长音频里可能一半是沉默。打开vad_filter，它内置的 Silero VAD 会自动跳过非语音片段，算力不浪费在背景音上。
• 多语言识别与翻译：外語讲座、跨国访谈不用先确认语言，它会自动检测；设置task="translate"还能把语音内容直接翻成英文文本。

⚡ 性能到底快多少

官方基准里，同一张 GPU 转写 13 分钟音频：原始 openai/whisper 要 2 分 23 秒，faster-whisper 1 分 03 秒，最快可达约 4 倍速度；再开 8-bit 量化加批处理，能压到 16 秒左右，显存占用也省了一大块。

🔧 进阶与生态

• GPU 环境：新版 ctranslate2 只支持 CUDA 12 + cuDNN 9；CUDA 11 用户可降级ctranslate2==3.24.0，CUDA 12 配 cuDNN 8 用4.4.0
• 批处理推理：BatchedInferencePipeline可直接替换WhisperModel.transcribe，batch_size=16下速度再上一个台阶
• 模型转换：ct2-transformers-converter命令可以把任意 Transformers 兼容的 Whisper 模型（含自微调模型）转成 CTranslate2 格式
• 源码入口：转写主逻辑在 faster_whisper/transcribe.py，VAD 默认参数在 faster_whisper/vad.py
• 贡献：本地装pip install -e .[dev]，跑pytest tests/验证后再提 PR
• 许可证：MIT

✅ 今晚就试一段

拿回开头那段三小时的会议录音，跑一次 base 模型的转写——CPU 上几分钟，GPU 上更短，纪要连时间戳一起就出来了。如果打算把它接进自己的服务，从transcribe()的参数表读起，那里就是全部能力的入口。

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