faster-whisper 快速上手：3 步装好语音转文字，再学会两个进阶用法-平芜编程栈

faster-whisper 快速上手：3 步装好语音转文字，再学会两个进阶用法

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

拿到一段一小时的会议录音，等原版 Whisper 把它转成文字，得泡上一杯咖啡的时间。faster-whisper 用 CTranslate2（一个针对 Transformer 模型优化的推理引擎）重写了 Whisper，同样的识别精度，速度最高提升 4 倍，内存占用更低。这篇文章带你 3 步装好并跑通第一次语音转文字，再学会词级时间戳和静音过滤两个进阶用法。

它能帮你干什么

读完这一节，你能确认 faster-whisper 是否匹配你的场景。

会议、访谈录音转文字：输入一个音频文件，输出每句带起止秒数的文本，直接就是会议纪要的骨架。
播客、网课变可搜索文本：支持指定语言（如language="zh"）或自动检测，一行 for 循环就能批量处理整个文件夹的音频。
长录音只转人声部分：录音里有大段静音时，开 VAD（语音活动检测）自动剪掉无声片段，不浪费算力。
省 GPU/CPU 资源：仓库 README 的官方基准里，转写 13 分钟音频（large-v2 模型，NVIDIA RTX 3070 Ti，CUDA 12.4）：openai/whisper fp16 耗时 2 分 23 秒、显存 4708MB，faster-whisper int8 耗时 59 秒、显存 2926MB；CPU 侧（Intel i7-12700K，8 线程，small 模型）：6 分 58 秒 vs 1 分 42 秒。

三步跑起来

按下面 3 步走，你可以在本机完成第一次语音转文字。

第 1 步：装好

需要 Python 3.9 及以上。音频解码走 PyAV 库（自带 FFmpeg 解码能力），所以系统里不需要另装 FFmpeg。

python --version # 确认 Python 3.9+ pip install faster-whisper # 从 PyPI 安装

💡 要用 GPU 加速的话，先装好 NVIDIA cuBLAS 和 cuDNN 9（CUDA 12）两个库，安装方法见 README 的 GPU 一节。

第 2 步：跑通最小示例

from faster_whisper import WhisperModel model = WhisperModel("base", device="cpu", compute_type="int8") segments, info = model.transcribe("audio.mp3") # 换成你自己的音频文件 for segment in segments: # 必须迭代，转录才会真正开始 print(f"[{segment.start:.2f}s -> {segment.end:.2f}s] {segment.text}")

首次运行会从 Hugging Face Hub 自动下载 base 模型并缓存到本地，之后直接走缓存。

第 3 步：看懂输出

每行输出是「起始秒 -> 结束秒 + 文本」。info里还有info.language（检测到的语言）和info.language_probability（置信度）；不想自动检测时，在 transcribe 里直接传language="en"即可。模型尺寸可选 tiny / base / small / medium / large-v3 / turbo，越大越准，CPU 上建议配 int8 量化。

进阶：最值得学的一个用法

这一节深入讲两个拿来即用的功能：词级时间戳和 VAD 静音过滤。

词级时间戳解决「字幕、关键词定位要知道每个字几点几分出现」；VAD 过滤解决「长录音里静音占大头，转录时间被白白浪费」。

# 词级时间戳 + 跳过静音部分 segments, _ = model.transcribe( "audio.mp3", word_timestamps=True, # 开启词级时间戳 vad_filter=True, # 开启 VAD 过滤静音 vad_parameters=dict(min_silence_duration_ms=500), # 超过 500ms 的静音被剪掉 ) for segment in segments: for word in segment.words: print(f"[{word.start:.2f}s -> {word.end:.2f}s] {word.word}")

VAD 默认只剪掉超过 2 秒的静音，用min_silence_duration_ms可以调得更激进。

其余能力一句话带过，完整参数看 WhisperModel 源码：

BatchedInferencePipeline批量转录，README 基准里batch_size=8把 GPU 耗时从 1 分 03 秒压到 17 秒；
distil-large-v3蒸馏模型，天生为这套转录流程设计；
initial_prompt提供上下文文本、hotwords提升专有词识别；
cpu_threads控制 CPU 线程数（默认 4）。

这几个坑先避开

下面 3 个是新手最常撞的，遇到先对号入座。

⚠️ 调了 transcribe()，半天没输出现象：执行完segments, info = model.transcribe(...)后，等了半天什么都没打印。原因：segments是个生成器（惰性的、迭代时才产出结果的迭代器），不迭代转录就不会开始。解决：套for循环打印，或直接segments = list(segments)。

⚠️ 指定 device="cuda" 报 cuBLAS/cuDNN 相关错误现象：GPU 运行时报缺 NVIDIA 库、CUDA 版本不匹配。原因：最新 ctranslate2 只支持 CUDA 12 + cuDNN 9，而这两个库默认不在系统里。解决：Linux 上pip install nvidia-cublas-cu12 nvidia-cudnn-cu12==9.*，并按 README 设置好LD_LIBRARY_PATH再启动；实在只能留在 CUDA 11 环境，就pip install --force-reinstall ctranslate2==3.24.0降级。

⚠️ 第一次运行特别慢，像卡死了现象：第一次构造WhisperModel("base")时耗时长得反常。原因：首次加载会从 Hugging Face Hub 自动下载对应的 CTranslate2 模型文件。解决：等这一次把模型缓存下来，或提前把模型放到本地目录，用WhisperModel("/path/to/model")指定加载。

faster-whisper 把「音频转成带时间戳的文字」做成了几行 Python 的事，精度与原版相当，速度最高 4 倍，且 CPU/GPU 都能跑。