音轉(zhuǎn)文字，同樣精度跑出 4 倍速度)
faster-whisper 速成指南本地語(yǔ)音轉(zhuǎn)文字同樣精度跑出 4 倍速度【免費(fèi)下載鏈接】faster-whisperFaster Whisper transcription with CTranslate2項(xiàng)目地址: https://gitcode.com/GitHub_Trending/fa/faster-whisper手頭有一段一兩個(gè)小時(shí)的會(huì)議錄音或課程音頻想用 Whisper 轉(zhuǎn)成文字卻看著進(jìn)度條慢慢爬、內(nèi)存占用還越來(lái)越高faster-whisper 就是為解決這個(gè)問(wèn)題而生的本地語(yǔ)音轉(zhuǎn)文字工具它用 CTranslate2 推理引擎重新實(shí)現(xiàn)了 OpenAI Whisper 模型保持相同識(shí)別精度的同時(shí)最多快 4 倍占用的內(nèi)存反而更少。這篇指南從安裝到拿到第一條轉(zhuǎn)錄結(jié)果全程可照抄。先搞懂它是什么三個(gè)數(shù)字說(shuō)清楚faster-whisper 不是又一個(gè)語(yǔ)音識(shí)別新模型而是把 Whisper 模型搬到 CTranslate2 這個(gè)推理引擎上跑的換引擎版。三個(gè)數(shù)字幫你建立預(yù)期4 倍README 給出的官方說(shuō)法是同等精度下最高可達(dá) openai/whisper 的 4 倍速度13 分鐘這是官方基準(zhǔn)測(cè)試用的音頻長(zhǎng)度方便對(duì)比各實(shí)現(xiàn)0 個(gè) FFmpeg它不要求系統(tǒng)安裝 FFmpeg音頻解碼由 PyAV 庫(kù)內(nèi)置的 FFmpeg 庫(kù)完成少一步裝依賴的麻煩。拿官方 benchmark 里的真實(shí)數(shù)據(jù)看13 分鐘音頻GPU 上跑 large-v2對(duì)比項(xiàng)faster-whisperopenai/whisper原版耗時(shí)fp161 分 03 秒2 分 23 秒顯存占用fp164525MB4708MBint8 量化后59 秒 / 2926MB不支持批量推理batch_size817 秒 / 4500MB無(wú)此選項(xiàng)CPU 上差距更直觀small 模型轉(zhuǎn)錄同一段音頻原版 fp32 要 6 分 58 秒、占 2335MB 內(nèi)存faster-whisper 開(kāi) int8 只要 1 分 42 秒、占 1477MB批量推理再加碼可壓到 51 秒。關(guān)鍵區(qū)別它省時(shí)間靠的是推理引擎 8 位量化不是閹割模型識(shí)別精度與原版對(duì)齊。裝好它跑出第一條轉(zhuǎn)錄結(jié)果 環(huán)境要求只有兩條Python 3.9 及以上以及 pip 能聯(lián)網(wǎng)。GPU 用戶另需 CUDA 12 的 cuBLAS 和 cuDNN 9只走 CPU 可忽略。# 安裝一條命令完成 pip install faster-whisper然后是最小組轉(zhuǎn)錄腳本small模型在普通 CPU 上就能跑int8 量化省內(nèi)存# 最小可用示例加載模型并轉(zhuǎn)錄一個(gè)音頻文件 from faster_whisper import WhisperModel model WhisperModel(small, devicecpu, compute_typeint8) segments, info model.transcribe(audio.mp3) print(f語(yǔ)言: {info.language}置信度: {info.language_probability:.2f}) for segment in segments: print(f[{segment.start:.2f}s - {segment.end:.2f}s] {segment.text})有兩點(diǎn)新手要注意第一次運(yùn)行會(huì)按模型名自動(dòng)下載對(duì)應(yīng)的 CTranslate2 模型文件之后走本地緩存segments是個(gè)生成器不遍歷就不開(kāi)始轉(zhuǎn)錄上面用 for 循環(huán)遍歷就等價(jià)于跑到底。跑通這段代碼控制臺(tái)就會(huì)逐行打出帶時(shí)間戳的轉(zhuǎn)寫(xiě)文本——這就是你的第一條結(jié)果。倉(cāng)庫(kù)里的 docker/infer.py 也是一個(gè)更短的官方示例用的是tiny模型。最值得用的 3 個(gè)轉(zhuǎn)錄用法1. 詞級(jí)時(shí)間戳給每個(gè)詞打上精確時(shí)間點(diǎn)問(wèn)題做字幕或想精確定位某句話時(shí)段落級(jí)的起止時(shí)間不夠細(xì)。做法加一個(gè)參數(shù)即可。segments, _ model.transcribe(audio.mp3, word_timestampsTrue) for segment in segments: for word in segment.words: print(f[{word.start:.2f} - {word.end:.2f}] {word.word})效果每個(gè)詞都有獨(dú)立的起止時(shí)間直接就能用來(lái)生成逐詞高亮的字幕或做發(fā)音分析。2. 指定語(yǔ)言 翻譯任務(wù)轉(zhuǎn)寫(xiě)之外再送一份譯文問(wèn)題外語(yǔ)音頻想直接得到目標(biāo)語(yǔ)言文字而不是先轉(zhuǎn)寫(xiě)再人工翻譯。做法language指定源語(yǔ)言tasktranslate開(kāi)啟翻譯。# 識(shí)別日語(yǔ)音頻直接輸出英文譯文Whisper 翻譯目標(biāo)為英語(yǔ) segments, info model.transcribe(japanese.mp3, languageja, tasktranslate) for segment in segments: print(f[{segment.start:.2f}s] {segment.text})效果不寫(xiě)language時(shí)模型會(huì)依據(jù)音頻前 30 秒自動(dòng)檢測(cè)語(yǔ)言顯式指定可以避免誤判翻譯輸出帶時(shí)間戳。3. VAD 靜音過(guò)濾長(zhǎng)音頻里大段空白不白算問(wèn)題訪談、課堂錄音里大量靜音和停頓白白消耗算力還可能產(chǎn)生亂碼片段。做法開(kāi)啟內(nèi)置的 Silero VAD 過(guò)濾默認(rèn)只剔除超過(guò) 2 秒的靜音可用vad_parameters收緊。segments, _ model.transcribe( interview.wav, vad_filterTrue, vad_parametersdict(min_silence_duration_ms500), # 靜音超 500ms 即切斷 )效果只對(duì)人聲部分做轉(zhuǎn)錄長(zhǎng)音頻提速明顯。VAD 的完整參數(shù)閾值、最短語(yǔ)音時(shí)長(zhǎng)等見(jiàn) faster_whisper/vad.py。按你的硬件和場(chǎng)景選方案不用背參數(shù)對(duì)號(hào)入座即可場(chǎng)景 / 需求推薦配置說(shuō)明沒(méi)有獨(dú)顯日常轉(zhuǎn)寫(xiě)devicecpucompute_typeint8模型選base/small內(nèi)存占用最低的組合普通筆記本可跑有 N 卡追求吞吐devicecudacompute_typefloat16配合BatchedInferencePipeline官方基準(zhǔn)里 GPU fp16 批量推理可把 13 分鐘音頻壓到十幾秒顯存緊張但要高精度GPU 上用compute_typeint8_float16或 CPU 上 large 系列配 int8int8 量化是官方推薦省顯存手段英文為主、要快又要準(zhǔn)distil-large-v3或turbo官方已驗(yàn)證兼容基準(zhǔn)中明顯快于常規(guī)跑法批量推理的用法就是把模型包一層再轉(zhuǎn)錄from faster_whisper import WhisperModel, BatchedInferencePipeline model WhisperModel(turbo, devicecuda, compute_typefloat16) batched_model BatchedInferencePipeline(modelmodel) segments, info batched_model.transcribe(audio.mp3, batch_size16)distil-large-v3則建議帶上condition_on_previous_textFalse這是官方示例的推薦搭配。橫向?qū)Ρ仍撨x誰(shuí)對(duì)比維度f(wàn)aster-whisper原版 openai/whisper在線語(yǔ)音轉(zhuǎn)寫(xiě)服務(wù)轉(zhuǎn)錄速度★★★★☆基準(zhǔn)最快一檔★★☆☆☆★★★☆☆看網(wǎng)絡(luò)內(nèi)存 / 顯存★★★★☆int8 后大幅降低★★☆☆☆★★★★★不占本地隱私與離線★★★★★ 完全本地★★★★★★☆☆☆☆ 音頻上傳云端功能可調(diào)性★★★★☆詞級(jí)時(shí)間戳、VAD、提示詞、批量★★★★☆★★☆☆☆上手門檻★★★☆☆ 需寫(xiě)少量 Python★★★☆☆★★★★★ 網(wǎng)頁(yè)即用一句話建議如果你要處理的是內(nèi)部會(huì)議、客戶訪談等不能上傳的音頻選 faster-whisper如果只是想偶爾轉(zhuǎn)一段公網(wǎng)視頻在線服務(wù)更省事。新手最容易踩的 3 個(gè)坑坑一transcribe 之后沒(méi)遍歷以為卡住了。segments是生成器調(diào)用transcribe本身不干活必須 for 循環(huán)或list(segments)才會(huì)真正開(kāi)始轉(zhuǎn)錄。覺(jué)得程序掛住不動(dòng)十有八九是少了這一步?？佣苯由?large-v3 滿血配置然后內(nèi)存爆了。更大模型不等于更優(yōu)體驗(yàn)。顯存不夠時(shí)先降計(jì)算類型float16→int8_float16CPU 用int8再考慮縮小模型順序別反。坑三以為要像原版一樣先裝 FFmpeg或者 GPU 跑不起來(lái)不知道為什么。faster-whisper 靠 PyAV 解碼不需要系統(tǒng)裝 FFmpeg但 GPU 路線要求 NVIDIA 側(cè)的 cuBLASCUDA 12和 cuDNN 9缺了任一個(gè)都起不來(lái)這是 GPU 環(huán)境最常見(jiàn)的失敗原因。組合玩法從跑通到常用組合一微調(diào)模型 faster-whisper 批量轉(zhuǎn)寫(xiě)。如果你有自己微調(diào)的 Whisper 兼容模型可以用倉(cāng)庫(kù)自帶的轉(zhuǎn)換腳本把權(quán)重轉(zhuǎn)成 CTranslate2 格式之后就能像加載內(nèi)置模型一樣加載本地目錄# 安裝轉(zhuǎn)換依賴后把 OpenAI 格式模型轉(zhuǎn)為 CTranslate2 格式 pip install transformers[torch]4.23 ct2-transformers-converter --model openai/whisper-large-v3 \ --output_dir whisper-large-v3-ct2 --quantization float16之后WhisperModel(whisper-large-v3-ct2)直接加載本地目錄即可適合私有領(lǐng)域的固定轉(zhuǎn)寫(xiě)任務(wù)。組合二實(shí)時(shí)/半實(shí)時(shí)字幕場(chǎng)景。社區(qū)已有多個(gè)基于 faster-whisper 的流式項(xiàng)目README 的 Community integrations 一節(jié)列了十幾個(gè)含流式轉(zhuǎn)寫(xiě)、說(shuō)話人分離等方向可以按需挑選集成到自己的應(yīng)用里。成長(zhǎng)路徑也不復(fù)雜初級(jí)——跑通 CPU int8 轉(zhuǎn)寫(xiě)熟悉language、beam_size、initial_prompt幾個(gè)高頻參數(shù)完整參數(shù)定義在 faster_whisper/transcribe.py進(jìn)階——上 GPU 批量推理掌握 VAD 參數(shù)調(diào)優(yōu)和 distil/turbo 模型選型再往上——轉(zhuǎn)換自定義模型、對(duì)接流式轉(zhuǎn)寫(xiě)組件把它嵌進(jìn)自己的產(chǎn)品線。常見(jiàn)問(wèn)題速查表問(wèn)題可能原因解決思路調(diào)用 transcribe 后程序卡住忘了遍歷生成器for segment in segments:或list(segments)GPU 加載報(bào)庫(kù)缺失缺 cuBLAS / cuDNN 9CUDA 12 版按 NVIDIA 官方文檔補(bǔ)齊或用官方 CUDA Docker 鏡像顯存/內(nèi)存不夠模型或計(jì)算類型偏大換 int8 系列計(jì)算類型或改用更小模型語(yǔ)言檢測(cè)不準(zhǔn)音頻開(kāi)頭 30 秒信息不足或混音顯式傳languagexx長(zhǎng)音頻有亂碼/重復(fù)片段靜音段未被剔除開(kāi)vad_filterTrue并調(diào)小min_silence_duration_ms延伸場(chǎng)景兩個(gè)一是字幕工作流——用詞級(jí)時(shí)間戳導(dǎo)出逐詞文本導(dǎo)入剪輯軟件做逐詞校對(duì)二是批量檔案轉(zhuǎn)寫(xiě)——把音頻目錄交給BatchedInferencePipeline循環(huán)處理配合log_progressTrue看進(jìn)度。下一步行動(dòng)清單pip install faster-whisper確認(rèn) Python 版本 ≥ 3.9用上面的最小腳本轉(zhuǎn)錄一個(gè)短音頻確認(rèn)控制臺(tái)輸出帶時(shí)間戳的文本按硬件二選一CPU 上固定int8有 N 卡就補(bǔ) CUDA 12 的 cuBLAS cuDNN 9再試float16挑一個(gè)真實(shí)任務(wù)會(huì)議、課程、訪談跑一遍順手把word_timestamps和 VAD 各試一次。裝好它把那段轉(zhuǎn)不動(dòng)的錄音丟進(jìn)去第一條結(jié)果幾分鐘內(nèi)就會(huì)出現(xiàn)在你的終端里?！久赓M(fèi)下載鏈接】faster-whisperFaster Whisper transcription with CTranslate2項(xiàng)目地址: https://gitcode.com/GitHub_Trending/fa/faster-whisper創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 faster-whisper 速成指南：本地語(yǔ)音轉(zhuǎn)文字，同樣精度跑出 4 倍速度
faster-whisper 速成指南本地語(yǔ)音轉(zhuǎn)文字同樣精度跑出 4 倍速度【免費(fèi)下載鏈接】faster-whisperFaster Whisper transcription with CTranslate2項(xiàng)目地址: https://gitcode.com/GitHub_Trending/fa/faster-whisper手頭有一段一兩個(gè)小時(shí)的會(huì)議錄音或課程音頻想用 Whisper 轉(zhuǎn)成文字卻看著進(jìn)度條慢慢爬、內(nèi)存占用還越來(lái)越高faster-whisper 就是為解決這個(gè)問(wèn)題而生的本地語(yǔ)音轉(zhuǎn)文字工具它用 CTranslate2 推理引擎重新實(shí)現(xiàn)了 OpenAI Whisper 模型保持相同識(shí)別精度的同時(shí)最多快 4 倍占用的內(nèi)存反而更少。這篇指南從安裝到拿到第一條轉(zhuǎn)錄結(jié)果全程可照抄。先搞懂它是什么三個(gè)數(shù)字說(shuō)清楚faster-whisper 不是又一個(gè)語(yǔ)音識(shí)別新模型而是把 Whisper 模型搬到 CTranslate2 這個(gè)推理引擎上跑的換引擎版。三個(gè)數(shù)字幫你建立預(yù)期4 倍README 給出的官方說(shuō)法是同等精度下最高可達(dá) openai/whisper 的 4 倍速度13 分鐘這是官方基準(zhǔn)測(cè)試用的音頻長(zhǎng)度方便對(duì)比各實(shí)現(xiàn)0 個(gè) FFmpeg它不要求系統(tǒng)安裝 FFmpeg音頻解碼由 PyAV 庫(kù)內(nèi)置的 FFmpeg 庫(kù)完成少一步裝依賴的麻煩。拿官方 benchmark 里的真實(shí)數(shù)據(jù)看13 分鐘音頻GPU 上跑 large-v2對(duì)比項(xiàng)faster-whisperopenai/whisper原版耗時(shí)fp161 分 03 秒2 分 23 秒顯存占用fp164525MB4708MBint8 量化后59 秒 / 2926MB不支持批量推理batch_size817 秒 / 4500MB無(wú)此選項(xiàng)CPU 上差距更直觀small 模型轉(zhuǎn)錄同一段音頻原版 fp32 要 6 分 58 秒、占 2335MB 內(nèi)存faster-whisper 開(kāi) int8 只要 1 分 42 秒、占 1477MB批量推理再加碼可壓到 51 秒。關(guān)鍵區(qū)別它省時(shí)間靠的是推理引擎 8 位量化不是閹割模型識(shí)別精度與原版對(duì)齊。裝好它跑出第一條轉(zhuǎn)錄結(jié)果 環(huán)境要求只有兩條Python 3.9 及以上以及 pip 能聯(lián)網(wǎng)。GPU 用戶另需 CUDA 12 的 cuBLAS 和 cuDNN 9只走 CPU 可忽略。# 安裝一條命令完成 pip install faster-whisper然后是最小組轉(zhuǎn)錄腳本small模型在普通 CPU 上就能跑int8 量化省內(nèi)存# 最小可用示例加載模型并轉(zhuǎn)錄一個(gè)音頻文件 from faster_whisper import WhisperModel model WhisperModel(small, devicecpu, compute_typeint8) segments, info model.transcribe(audio.mp3) print(f語(yǔ)言: {info.language}置信度: {info.language_probability:.2f}) for segment in segments: print(f[{segment.start:.2f}s - {segment.end:.2f}s] {segment.text})有兩點(diǎn)新手要注意第一次運(yùn)行會(huì)按模型名自動(dòng)下載對(duì)應(yīng)的 CTranslate2 模型文件之后走本地緩存segments是個(gè)生成器不遍歷就不開(kāi)始轉(zhuǎn)錄上面用 for 循環(huán)遍歷就等價(jià)于跑到底。跑通這段代碼控制臺(tái)就會(huì)逐行打出帶時(shí)間戳的轉(zhuǎn)寫(xiě)文本——這就是你的第一條結(jié)果。倉(cāng)庫(kù)里的 docker/infer.py 也是一個(gè)更短的官方示例用的是tiny模型。最值得用的 3 個(gè)轉(zhuǎn)錄用法1. 詞級(jí)時(shí)間戳給每個(gè)詞打上精確時(shí)間點(diǎn)問(wèn)題做字幕或想精確定位某句話時(shí)段落級(jí)的起止時(shí)間不夠細(xì)。做法加一個(gè)參數(shù)即可。segments, _ model.transcribe(audio.mp3, word_timestampsTrue) for segment in segments: for word in segment.words: print(f[{word.start:.2f} - {word.end:.2f}] {word.word})效果每個(gè)詞都有獨(dú)立的起止時(shí)間直接就能用來(lái)生成逐詞高亮的字幕或做發(fā)音分析。2. 指定語(yǔ)言 翻譯任務(wù)轉(zhuǎn)寫(xiě)之外再送一份譯文問(wèn)題外語(yǔ)音頻想直接得到目標(biāo)語(yǔ)言文字而不是先轉(zhuǎn)寫(xiě)再人工翻譯。做法language指定源語(yǔ)言tasktranslate開(kāi)啟翻譯。# 識(shí)別日語(yǔ)音頻直接輸出英文譯文Whisper 翻譯目標(biāo)為英語(yǔ) segments, info model.transcribe(japanese.mp3, languageja, tasktranslate) for segment in segments: print(f[{segment.start:.2f}s] {segment.text})效果不寫(xiě)language時(shí)模型會(huì)依據(jù)音頻前 30 秒自動(dòng)檢測(cè)語(yǔ)言顯式指定可以避免誤判翻譯輸出帶時(shí)間戳。3. VAD 靜音過(guò)濾長(zhǎng)音頻里大段空白不白算問(wèn)題訪談、課堂錄音里大量靜音和停頓白白消耗算力還可能產(chǎn)生亂碼片段。做法開(kāi)啟內(nèi)置的 Silero VAD 過(guò)濾默認(rèn)只剔除超過(guò) 2 秒的靜音可用vad_parameters收緊。segments, _ model.transcribe( interview.wav, vad_filterTrue, vad_parametersdict(min_silence_duration_ms500), # 靜音超 500ms 即切斷 )效果只對(duì)人聲部分做轉(zhuǎn)錄長(zhǎng)音頻提速明顯。VAD 的完整參數(shù)閾值、最短語(yǔ)音時(shí)長(zhǎng)等見(jiàn) faster_whisper/vad.py。按你的硬件和場(chǎng)景選方案不用背參數(shù)對(duì)號(hào)入座即可場(chǎng)景 / 需求推薦配置說(shuō)明沒(méi)有獨(dú)顯日常轉(zhuǎn)寫(xiě)devicecpucompute_typeint8模型選base/small內(nèi)存占用最低的組合普通筆記本可跑有 N 卡追求吞吐devicecudacompute_typefloat16配合BatchedInferencePipeline官方基準(zhǔn)里 GPU fp16 批量推理可把 13 分鐘音頻壓到十幾秒顯存緊張但要高精度GPU 上用compute_typeint8_float16或 CPU 上 large 系列配 int8int8 量化是官方推薦省顯存手段英文為主、要快又要準(zhǔn)distil-large-v3或turbo官方已驗(yàn)證兼容基準(zhǔn)中明顯快于常規(guī)跑法批量推理的用法就是把模型包一層再轉(zhuǎn)錄from faster_whisper import WhisperModel, BatchedInferencePipeline model WhisperModel(turbo, devicecuda, compute_typefloat16) batched_model BatchedInferencePipeline(modelmodel) segments, info batched_model.transcribe(audio.mp3, batch_size16)distil-large-v3則建議帶上condition_on_previous_textFalse這是官方示例的推薦搭配。橫向?qū)Ρ仍撨x誰(shuí)對(duì)比維度f(wàn)aster-whisper原版 openai/whisper在線語(yǔ)音轉(zhuǎn)寫(xiě)服務(wù)轉(zhuǎn)錄速度★★★★☆基準(zhǔn)最快一檔★★☆☆☆★★★☆☆看網(wǎng)絡(luò)內(nèi)存 / 顯存★★★★☆int8 后大幅降低★★☆☆☆★★★★★不占本地隱私與離線★★★★★ 完全本地★★★★★★☆☆☆☆ 音頻上傳云端功能可調(diào)性★★★★☆詞級(jí)時(shí)間戳、VAD、提示詞、批量★★★★☆★★☆☆☆上手門檻★★★☆☆ 需寫(xiě)少量 Python★★★☆☆★★★★★ 網(wǎng)頁(yè)即用一句話建議如果你要處理的是內(nèi)部會(huì)議、客戶訪談等不能上傳的音頻選 faster-whisper如果只是想偶爾轉(zhuǎn)一段公網(wǎng)視頻在線服務(wù)更省事。新手最容易踩的 3 個(gè)坑坑一transcribe 之后沒(méi)遍歷以為卡住了。segments是生成器調(diào)用transcribe本身不干活必須 for 循環(huán)或list(segments)才會(huì)真正開(kāi)始轉(zhuǎn)錄。覺(jué)得程序掛住不動(dòng)十有八九是少了這一步?？佣苯由?large-v3 滿血配置然后內(nèi)存爆了。更大模型不等于更優(yōu)體驗(yàn)。顯存不夠時(shí)先降計(jì)算類型float16→int8_float16CPU 用int8再考慮縮小模型順序別反。坑三以為要像原版一樣先裝 FFmpeg或者 GPU 跑不起來(lái)不知道為什么。faster-whisper 靠 PyAV 解碼不需要系統(tǒng)裝 FFmpeg但 GPU 路線要求 NVIDIA 側(cè)的 cuBLASCUDA 12和 cuDNN 9缺了任一個(gè)都起不來(lái)這是 GPU 環(huán)境最常見(jiàn)的失敗原因。組合玩法從跑通到常用組合一微調(diào)模型 faster-whisper 批量轉(zhuǎn)寫(xiě)。如果你有自己微調(diào)的 Whisper 兼容模型可以用倉(cāng)庫(kù)自帶的轉(zhuǎn)換腳本把權(quán)重轉(zhuǎn)成 CTranslate2 格式之后就能像加載內(nèi)置模型一樣加載本地目錄# 安裝轉(zhuǎn)換依賴后把 OpenAI 格式模型轉(zhuǎn)為 CTranslate2 格式 pip install transformers[torch]4.23 ct2-transformers-converter --model openai/whisper-large-v3 \ --output_dir whisper-large-v3-ct2 --quantization float16之后WhisperModel(whisper-large-v3-ct2)直接加載本地目錄即可適合私有領(lǐng)域的固定轉(zhuǎn)寫(xiě)任務(wù)。組合二實(shí)時(shí)/半實(shí)時(shí)字幕場(chǎng)景。社區(qū)已有多個(gè)基于 faster-whisper 的流式項(xiàng)目README 的 Community integrations 一節(jié)列了十幾個(gè)含流式轉(zhuǎn)寫(xiě)、說(shuō)話人分離等方向可以按需挑選集成到自己的應(yīng)用里。成長(zhǎng)路徑也不復(fù)雜初級(jí)——跑通 CPU int8 轉(zhuǎn)寫(xiě)熟悉language、beam_size、initial_prompt幾個(gè)高頻參數(shù)完整參數(shù)定義在 faster_whisper/transcribe.py進(jìn)階——上 GPU 批量推理掌握 VAD 參數(shù)調(diào)優(yōu)和 distil/turbo 模型選型再往上——轉(zhuǎn)換自定義模型、對(duì)接流式轉(zhuǎn)寫(xiě)組件把它嵌進(jìn)自己的產(chǎn)品線。常見(jiàn)問(wèn)題速查表問(wèn)題可能原因解決思路調(diào)用 transcribe 后程序卡住忘了遍歷生成器for segment in segments:或list(segments)GPU 加載報(bào)庫(kù)缺失缺 cuBLAS / cuDNN 9CUDA 12 版按 NVIDIA 官方文檔補(bǔ)齊或用官方 CUDA Docker 鏡像顯存/內(nèi)存不夠模型或計(jì)算類型偏大換 int8 系列計(jì)算類型或改用更小模型語(yǔ)言檢測(cè)不準(zhǔn)音頻開(kāi)頭 30 秒信息不足或混音顯式傳languagexx長(zhǎng)音頻有亂碼/重復(fù)片段靜音段未被剔除開(kāi)vad_filterTrue并調(diào)小min_silence_duration_ms延伸場(chǎng)景兩個(gè)一是字幕工作流——用詞級(jí)時(shí)間戳導(dǎo)出逐詞文本導(dǎo)入剪輯軟件做逐詞校對(duì)二是批量檔案轉(zhuǎn)寫(xiě)——把音頻目錄交給BatchedInferencePipeline循環(huán)處理配合log_progressTrue看進(jìn)度。下一步行動(dòng)清單pip install faster-whisper確認(rèn) Python 版本 ≥ 3.9用上面的最小腳本轉(zhuǎn)錄一個(gè)短音頻確認(rèn)控制臺(tái)輸出帶時(shí)間戳的文本按硬件二選一CPU 上固定int8有 N 卡就補(bǔ) CUDA 12 的 cuBLAS cuDNN 9再試float16挑一個(gè)真實(shí)任務(wù)會(huì)議、課程、訪談跑一遍順手把word_timestamps和 VAD 各試一次。裝好它把那段轉(zhuǎn)不動(dòng)的錄音丟進(jìn)去第一條結(jié)果幾分鐘內(nèi)就會(huì)出現(xiàn)在你的終端里?！久赓M(fèi)下載鏈接】faster-whisperFaster Whisper transcription with CTranslate2項(xiàng)目地址: https://gitcode.com/GitHub_Trending/fa/faster-whisper創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考