企业官网建设流程全解析

faster-whisper 语音识别教程：如何在 1 分钟内转写 13 分钟音频

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

faster-whisper 把长音频转成文字，比原版 Whisper 更快、更省内存。它是基于 CTranslate2 重写的语音识别引擎，最高可达原版 4 倍速度。如果你还在跑原版 Whisper 做批量转写，这篇教程适合你。

用原版 Whisper 转写时，你会撞上这 3 个问题

跑原版 large-v2 模型，13 分钟音频要 2 分 23 秒，显存占用 4708MB；CPU 上 small 模型更慢，要 6 分 58 秒。原版还要求系统单独安装 FFmpeg，容器环境经常卡在依赖上。faster-whisper 换用 CTranslate2 推理引擎，并内置 PyAV 解码音频，不需要在系统装 FFmpeg。

⚡ 3 分钟安装并完成第一次转录

要求 Python 3.9+，一条命令安装：

pip install faster-whisper

按模型名加载时，对应的 CTranslate2 权重会自动从 Hugging Face Hub 下载。最小可运行示例：

from faster_whisper import WhisperModel model = WhisperModel("large-v3", device="cuda", compute_type="float16") segments, info = model.transcribe("audio.mp3", beam_size=5) for segment in segments: print(f"[{segment.start:.2f}s -> {segment.end:.2f}s] {segment.text}")

注意：segments是生成器，进入循环后转写才真正开始。

3 个值得深挖的核心能力

VAD 语音活动检测：先跳过静音再转写

传vad_filter=True，转写前用内置 Silero VAD 切掉静音段。默认策略保守，只移除超过 2 秒的静音；想切得更碎，可用vad_parameters把min_silence_duration_ms调低到 500。参数定义见 faster_whisper/vad.py。批量转写默认开启 VAD。

词级时间戳：精确到每个单词

word_timestamps=True会把每个片段拆成单词，每个单词带起止时间，适合做字幕对齐、关键词定位。

批量推理：GPU 吞吐明显提升

BatchedInferencePipeline可直接替换WhisperModel.transcribe。以 distil-large-v3 在 GPU 上batch_size=16为例，耗时从 46 分 12 秒降到 25 分 50 秒（transformers 实现跑同一任务），WER 为 13.527 对 14.801。更多参数可在 faster_whisper/transcribe.py 中查阅。

📊 基准对比：耗时与内存差多少

GPU 端（large-v2，RTX 3070 Ti 8GB，CUDA 12.4），均为 13 分钟音频：

CPU 端（small 模型，i7-12700K，8 线程）：原版 6 分 58 秒，faster-whisper fp32 为 2 分 37 秒，int8 为 1 分 42 秒，内存从 2335MB 降到 1477MB。

🔧 5 条部署建议：compute 类型、CUDA 版本与批大小

• GPU 场景：优先compute_type="float16"；显存吃紧时换"int8_float16"。
• 仅用 CPU：建议compute_type="int8"，small 模型下耗时减半，内存省 780MB（1477MB 对 2257MB）。
• CUDA 版本不匹配：最新版 ctranslate2 只支持 CUDA 12 + cuDNN 9；CUDA 11 用户降级到 ctranslate2==3.24.0。仓库提供基于 nvidia/cuda 镜像的部署参考，见 docker/Dockerfile。
• 长音频批处理：批量会推高内存（int8 从 2926MB 升到 4500MB），按空闲显存定 batch_size。
• 做横向对比：确保 beam size 一致，faster-whisper 默认 beam_size=5，原版默认是 1，否则数据不可比。

3 个常见落地场景

• 会议录音转写：VAD 自动跳过静音段，算力不浪费在无声音上
• 视频字幕生成：词级时间戳让字幕对齐精确到单词
• 多语言语料本地化：自动检测语言并返回置信度

单条音频还是批量任务，faster-whisper 都用更少的时间和内存给出同样的文字结果，把现有转写流水线里的引擎换掉即可。

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