企业官网建设流程全解析

faster-whisper 语音转文字：比原版快 4 倍的 ASR 引擎

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

会议录音攒了十几个 G，用 OpenAI Whisper 逐条转写要排一晚上。faster-whisper 把同样的 Whisper 模型换到 CTranslate2 推理引擎上重新实现，识别精度不变，速度最高提升 4 倍，还省内存。

它本质上是一个 Python 包：用 CTranslate2 重写 Whisper 推理流程，解决"识别慢、占显存、部署麻烦"三个问题，适合跑在 CPU 或 NVIDIA GPU 上。

跑通最小流程

要求只有一个：Python 3.9 以上。音频解码由 PyAV 内置的 FFmpeg 库完成，不用再单独装 FFmpeg。一条命令处理全部依赖：

pip install faster-whisper

装完用下面这段代码验证，能打印出语言信息说明链路通了：

from faster_whisper import WhisperModel model = WhisperModel("small", device="cpu", compute_type="int8") segments, info = model.transcribe("audio.mp3") print(info.language, info.language_probability) for seg in list(segments): # segments 是生成器，需消费才真正运行 print(f"[{seg.start:.2f}s -> {seg.end:.2f}s] {seg.text}")

核心能力拆解

4 倍速推理与 int8 量化

官方基准里，13 分钟音频用 large-v2 在 GPU 上跑 1 分 03 秒（fp16），开 int8 量化后显存从 4.5GB 降到 2.9GB，耗时 59 秒。CPU 上 small 模型 int8 量化 1 分 42 秒，比 openai/whisper 的 6 分 58 秒快约 4 倍。

词级时间戳

加一个参数就能拿到每个单词的起止时间，做字幕或高亮定位不需要再跑对齐模型：

segments, _ = model.transcribe("audio.mp3", word_timestamps=True) for seg in segments: for word in seg.words: print(word.start, word.end, word.word)

VAD 静音过滤

内置 Silero VAD，vad_filter=True会先切掉长静音段再送模型，长音频里大量停顿的场景能省不少算力，还可选vad_parameters调静音阈值。

从示例到实际效果

下面这段可以直接跑，用 GPU 的 float16 转录一段中文会议录音：

from faster_whisper import WhisperModel model = WhisperModel("large-v3", device="cuda", compute_type="float16") segments, info = model.transcribe("audio.mp3", beam_size=5, vad_filter=True) print(f"语言: {info.language} (置信度 {info.language_probability:.2f})") for seg in list(segments): print(f"[{seg.start:7.2f} -> {seg.end:7.2f}] {seg.text}")

输出形如[ 12.35 -> 18.90] 下季度的目标先定三个方向，每行带起止时间。拿到segments后直接写 SRT 就能生成字幕文件；info.language是自动检测的结果，检测错了可手动传language="zh"覆盖。

选型与调参建议

• 如果显存小于 8GB，则选compute_type="int8_float16"量化，或改用 small/turbo 模型；纯 CPU 环境用device="cpu", compute_type="int8"。
• 如果识别偶有错字，则把beam_size从 1 提到 5（本包默认就是 5，注意 openai/whisper 默认是 1，对比性能时这个差异很关键）。
• 如果要批量处理音频，则用BatchedInferencePipeline配合batch_size=16，官方基准里 17 秒跑完 13 分钟音频，比单条顺序推理快约 3.5 倍。
• 如果要中文专有名词更准，可以在transcribe里传initial_prompt或hotwords提示词。

项目内部怎么工作

• 音频解码模块：基于 PyAV 把 mp3/wav 等格式解成 16kHz 单声道波形，支持立体声拆分。
• 特征提取模块：对波形做 STFT 和 mel 滤波，产出 80 维特征喂给模型。
• 转录核心：WhisperModel 主类，负责语言检测、分段生成、词级时间戳对齐和异常片段过滤。
• VAD 过滤：Silero 模型切分语音与静音，vad_filter=True时生效。

适合谁用

• 需要批量转写会议录音、播客、访谈的开发者，追求吞吐和成本。
• 做视频字幕自动生成的工具作者，需要词级时间戳和稳定 API。
• 在 CPU 服务器上自托管 ASR 的团队，不想为每路音频配 GPU。

回到开头那堆会议录音：先装好依赖再换大模型跑一遍。打开终端输入pip install faster-whisper，13 分钟音频 1 分钟内出稿。

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