faster-whisper：一条命令把一小时音频转成文字，比原版 Whisper 快 4 倍

faster-whisper：一条命令把一小时音频转成文字，比原版 Whisper 快 4 倍

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

一小时的会议录音，手动整理要半天；用原版开源 Whisper 转，老笔记本上还得再等一个多小时。faster-whisper（语音转文字）把 OpenAI 的 Whisper 模型用 CTranslate2 推理引擎重写，官方基准里 13 分钟音频最快 59 秒跑完，比原实现最多快 4 倍，显存占用还更低。不需要额外装 FFmpeg，一条 pip 命令装完就能用。

它凭什么快这么多：CTranslate2 的加速原理

Whisper 本身是一个 Transformer 架构的模型（可以理解为"用神经网络预测下一秒该输出什么词"），瓶颈在于推理引擎的算力和内存调度。faster-whisper 不改模型参数，只把推理层换成 CTranslate2（OpenNMT 团队维护的 Transformer 专用推理引擎），它针对注意力计算和内存布局做了底层优化。在此基础上还能开启 8-bit 量化（int8，把权重从 16 位压到 8 位，精度损失很小），让 CPU 和 GPU 上再快一截、内存占用直接砍半。

faster-whisper 安装方法：一条命令 + 硬件要求

环境门槛很低：

• Python 3.9 及以上
• 无需手动安装 FFmpeg——音频解码由 PyAV 库（自带 FFmpeg 运行库的 Python 包）完成，装好即用
• 普通 CPU 即可跑，有 NVIDIA 显卡更快

安装只需一条命令：

pip install faster-whisper

想用 GPU 加速，补装两个 NVIDIA 库即可：pip install nvidia-cublas-cu12 nvidia-cudnn-cu12==9.*。注意最新的 ctranslate2 只支持 CUDA 12 + cuDNN 9；如果你的环境是 CUDA 11/cuDNN 8，需要降级到ctranslate2==3.24.0，CUDA 12 + cuDNN 8 则用ctranslate2==4.4.0。

5 行代码跑通：转写第一段音频

from faster_whisper import WhisperModel model = WhisperModel("base", device="cpu", compute_type="int8") segments, info = model.transcribe("audio.mp3") for seg in segments: print(f"[{seg.start:.2f}s -> {seg.end:.2f}s] {seg.text}")

运行后每段话会带上起止时间戳和文本，自动检测语言。注意segments是生成器，真正开始转写是在 for 循环遍历时；有 GPU 的话把device改成"cuda"、compute_type换成"float16"或"int8_float16"即可。

实际能干什么：三个高频场景

• 视频字幕：转录时打开word_timestamps=True拿到词级时间戳，逐词对齐后导出 SRT 字幕文件，做字幕比手工打轴快得多。
• 会议记录：长录音先过一遍内置的 Silero VAD（静音检测模型，自动剪掉没有声音的片段，vad_filter=True开启），减少无效计算，产出的分段文本可直接交给摘要工具。
• 内容创作与播客：一次转写多段长音频，配合BatchedInferencePipeline批量推理（batch_size=8时官方数据里 13 分钟音频只要 17 秒），把视频素材批量转成文稿做选题、二创或检索。

核心转录逻辑都在 transcribe.py 里，想调参数可以直接看WhisperModel.transcribe的完整选项。

性能参考：faster-whisper 与原方案的实测对比

以下数据来自仓库 README 的官方基准（13 分钟音频，8 线程 CPU / RTX 3070 Ti 8GB GPU），不是营销话术：

GPU 上跑 large-v2 模型：

CPU 上跑 small 模型（Intel i7-12700K）：

简单结论：显存紧张或没有 GPU 时，优先选 int8 量化，内存和速度两头都赚；批量处理长音频再考虑batch_size。

常见问题 FAQ：版本不匹配、显存不足、识别不准

问：GPU 报 cuDNN/cuBLAS 找不到或版本不兼容，怎么办？ 答：确认你的 CUDA 和 cuDNN 版本：最新 ctranslate2 只认 CUDA 12 + cuDNN 9。CUDA 11 环境用pip install --force-reinstall ctranslate2==3.24.0降级；CUDA 12 但 cuDNN 8 则降到 4.4.0。也可以直接用官方 CUDA Docker 镜像（nvidia/cuda:12.3.2-cudnn9-runtime-ubuntu22.04）避开手动装库的坑。

问：显存不够、报 OOM 怎么办？ 答：先换低精度：compute_type="int8_float16"，large-v2 的显存占用能从约 4.5GB 降到约 2.9GB；再不行就换更小的模型（small/base）或减小batch_size。8GB 显存的卡跑 large-v2 开批量推理时占用约 6GB，建议留点余量。

问：转出来有重复、漏字、专有名词错，怎么改？ 答：几个开关值得试：vad_filter=True过滤静音段，能减少模型"脑补"；明确的语种别让它猜，直接传language="zh"等参数；对人名、术语多的内容用hotwords传入提示词；想核对每个字的时间点可开word_timestamps=True。

如果你手头有大量音频要批量转文字，或者受限于 CPU 和有限显存，faster-whisper 值得直接作为首选方案；只偶尔转一段短视频，原版工具也够用。想参与开发可以查看 CONTRIBUTING.md，项目采用 MIT 许可证（见 LICENSE），商用免费。

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