faster-whisper 从安装到跑出第一条字幕新手最短上手路径【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 用 CTranslate2 这个推理引擎重写了 OpenAI Whisper 的转录逻辑把语音转文字的耗时压到原实现的约四分之一同时占用的内存更少。你只要准备一段音频文件几分钟内就能在本机跑通第一条带时间戳的转录结果。这篇文章面向第一次接触语音转文字的人先判断它适不适合你的场景再给出一条从安装到看到输出的最短路径最后把新手最容易卡住的几个点逐一说明。先判断它适合哪种使用场景上手前确认三点能帮你少走弯路环境门槛只需要 Python 3.9 及以上。音频解码由 PyAV 库内置完成不需要像 openai-whisper 那样在系统里单独装 FFmpeg。硬件选择纯 CPU 就能跑适合个人机器有 NVIDIA 显卡可以进一步提速但需要配套 CUDA 12 的 cuBLAS 和 cuDNN 9 两个库下文卡点部分会讲怎么配。典型任务录音整理成文字、生成带时间戳的字幕、批量处理会议/播客音频。如果你的核心诉求是把一段话变成文本并知道每句在什么时间点它正好覆盖。不适合的情况如果你要的是实时逐句流式输出说话的同时立刻出字这个项目是离线批处理实时场景需要用社区里基于它封装的流式方案。安装与第一次转录最短路径第一步安装依赖普通用户直接用 pip 从 PyPI 安装即可pip install faster-whisper装完后 Python 里能import faster_whisper就表示成功。如果你还想浏览源码或参考仓库里自带的测试音频可以克隆仓库git clone https://gitcode.com/GitHub_Trending/fa/faster-whisper第二步跑通最小转录脚本下面这个脚本完成三件事加载模型、转录一段音频、把每句的起止时间和文字打印出来。把audio.mp3换成你自己的文件mp3、flac、wav 等常见格式都行from faster_whisper import WhisperModel # 小模型 CPU int8 量化适合第一次验证 model WhisperModel(base, devicecpu, compute_typeint8) segments, info model.transcribe(audio.mp3) print(检测到语言: %s置信度: %.2f % (info.language, info.language_probability)) for segment in segments: print([%.2fs - %.2fs] %s % (segment.start, segment.end, segment.text))预期结果先打印一行语言检测结果比如检测到语言: en置信度: 0.98随后逐行输出带时间戳的句子。模型权重在首次加载时会自动下载第一次运行慢一点属于正常现象。 如果手边没有音频克隆了仓库的话可以直接用测试目录里的样例tests/data/jfk.flac代替audio.mp3。怎么确认自己跑通了看第一次输出一次成功的转录有三个可核对的标志语言行info.language给出检测到的语言代码info.language_probability在 0 到 1 之间。置信度很低比如低于 0.5通常说明音频质量差或几乎没有人声。时间戳连续每句的start和end以秒为单位递增不会倒序或大幅跳变。文字可读输出的文本和音频内容基本对得上。想快速核对准确率用一两句自己已知内容的短句测试最直观。仓库自带的测试也用了同一个思路对jfk.flac用tiny模型转录后断言语言是en、时长约 11 秒、文本与肯尼迪演讲的那句名言一致。你可以照着tests/test_transcribe.py里的断言来设计自己的验收标准。跑通之后三个值得加上的能力单词级时间戳需要精确到每个词的位置做卡拉OK字幕、词汇标注时用时加一个参数segments, _ model.transcribe(audio.mp3, word_timestampsTrue) for segment in segments: for word in segment.words: print([%.2fs - %.2fs] %s % (word.start, word.end, word.word))word_timestamps为 True 时每个 segment 内多出一个words列表每个元素带独立的起止时间。用 VAD 跳过静音段VAD 是语音活动检测作用是把没有人声的时段先剔掉模型只处理有人声的部分长音频尤其受益。仓库集成了 Silero VAD 模型segments, _ model.transcribe( audio.mp3, vad_filterTrue, vad_parametersdict(min_silence_duration_ms500), )默认策略比较保守只去除超过 2 秒的静音把min_silence_duration_ms调小如上例 500会更激进地剪掉停顿。完整的默认参数值以faster_whisper/vad.py源码为准。批量推理长音频提速BatchedInferencePipeline是WhisperModel的替换入口把音频切成小片段并行推理长音频收益明显。README 的基准数据里large-v2 在 GPU 上从 1 分 03 秒降到 17 秒就是靠batch_size8的批量推理from faster_whisper import WhisperModel, BatchedInferencePipeline model WhisperModel(large-v3, devicecuda, compute_typefloat16) batched BatchedInferencePipeline(modelmodel) segments, info batched.transcribe(audio.mp3, batch_size16)注意两点批量推理的 VAD 过滤是默认开启的不需要手动传vad_filterTrue显存吃紧时把batch_size调小。新手常见卡点与处理动作1. 调用 transcribe 后没有任何输出现象代码跑完但一行都没打印。可能原因segments是个生成器只有被迭代时转录才真正执行。处理动作像上例一样写for循环消费它或者用segments list(segments)强制跑完。2. GPU 加载模型报错提示缺少 cuBLAS / cuDNN现象devicecuda时报库加载失败。可能原因最新的 ctranslate2 只支持 CUDA 12 cuDNN 9系统里没装这两个库或版本不对。处理动作按 NVIDIA 官方文档安装 CUDA 12 的 cuBLAS 与 cuDNN 9Linux 上也可以用pip install nvidia-cublas-cu12 nvidia-cudnn-cu129.*安装并设置LD_LIBRARY_PATH后再启动 Python。若只能停留在 CUDA 11 cuDNN 8则降级ctranslate2到 3.24.0。具体版本对应关系以 README 为准。3. 首次运行卡在模型下载现象第一次加载模型时长时间无响应或下载失败。可能原因权重从 Hugging Face Hub 自动拉取网络不稳就会卡住。处理动作在有网环境先把模型下好之后把WhisperModel的参数换成本地模型目录路径加载只允许用本地文件可以配合local_files_onlyTrue避免联网。模型名称与下载地址的对应关系见faster_whisper/utils.py里的_MODELS表。4. CPU 上转得太慢现象没有 GPU几十秒的音频要等很久。可能原因默认是浮点精度且未限制线程。处理动作用compute_typeint8做 8 位量化显存和内存占用都能降下来GPU 批量推理时同理。控制 CPU 线程数可用环境变量例如OMP_NUM_THREADS4 python3 my_script.py。5. 和别人对比速度时发现不更快现象与 openai-whisper 等实现对比速度差距不如预期。可能原因本库transcribe的默认 beam size 是 5而 openai/whisper 默认是 1搜索范围不同结果自然不同转录耗时还与词数强相关。处理动作对比时固定 beam size、线程数和音频内容README 末尾有专门的对比说明。下一步做什么按顺序推进即可先用tiny或base模型确认流程再按需升级到small、medium、large-v3或distil-large-v3等更大规格完整清单可调用available_models()查看有 GPU 时优先试float16显存不够再退回int8。常用入口完整用法与基准数据README.md转录参数全集WhisperModel 类faster_whisper/transcribe.py仓库内置的测试音频与断言示例tests/【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