faster-whisper 语音转文字实战指南：从安装到 GPU 避坑的完整流程

faster-whisper 语音转文字实战指南：从安装到 GPU 避坑的完整流程

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

一段 13 分钟的录音，在 GPU 上转成文字：官方 openai/whisper 实现要花 2 分 23 秒，faster-whisper 这个基于 CTranslate2 重写的语音转文字引擎只要 1 分 03 秒。如果你每天要处理长音频，这个差距每天都在消耗你。而真正卡住新手时间的，往往不是速度本身，而是环境——CUDA 和 cuDNN 的版本搭配，是第一道坎。

它是什么，适合谁

faster-whisper 用 Transformer 快速推理引擎 CTranslate2 重新实现了 OpenAI 的 Whisper 语音识别模型，模型权重与官方一致，换掉的是运行时的计算部分，准确率基本不变，耗时和内存占用变小。项目当前版本 1.2.1，要求 Python 3.9 及以上。它适合想在自有机器上把会议录音、课程音频转成文字的个人用户，也适合想给产品接一套私有化语音转文字能力的开发者。

30 秒安装并跑通第一次转录

安装只有一行命令，而且不用像官方版本那样先装 FFmpeg——它依赖的 PyAV 已经把 FFmpeg 的解码库打包在内：

pip install faster-whisper

准备任意一个音频文件，跑通第一次转录：

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

首次运行会自动从 Hugging Face 下载对应权重的 CTranslate2 模型。base 是小模型，适合先验证流程；确认跑通后再换更大的规格。每个 segment 自带起止时间，做字幕对齐时直接可用。

GPU 环境避坑清单：CUDA 12 与 cuDNN 9 的版本搭配

这一段建议先读完再动 GPU，最常见的启动报错都指向同一件事：ctranslate2 的版本和你机器上的 CUDA/cuDNN 对不上。

最新版的 ctranslate2 只支持 CUDA 12 加 cuDNN 9 的组合。如果你机器正好是这个版本，装好两个 NVIDIA 库即可：

pip install nvidia-cublas-cu12 nvidia-cudnn-cu12==9.*

pip 装库的方式仅限 Linux，且要在启动 Python 之前设置好 LD_LIBRARY_PATH；Windows 需要自行准备库文件。如果环境是 CUDA 12 配 cuDNN 8，把 ctranslate2 降到 4.4.0：

pip install --force-reinstall ctranslate2==4.4.0

再老一档的 CUDA 11 配 cuDNN 8，则要用 3.24.0 版本。记住这条降级链（3.24.0 → 4.4.0 → 最新版），排错时先核对它。

另一个高频小坑：很多示例代码调用 transcribe() 之后看起来毫无动静。segments 是个生成器，迭代它之前转录根本不会启动。调试时把它包进 list(segments)，或者直接写 for 循环，转录才会真正执行。

进阶用法：GPU 加速、批处理与翻译

有 GPU 时，构造模型时显式指定设备和精度：WhisperModel("large-v3", device="cuda", compute_type="float16")，想进一步压显存可以换成 int8_float16，CPU 上跑 int8 也是支持的。

多条音频或超长音频，改用 BatchedInferencePipeline 做批量推理，配合 batch_size=16 这类参数；这个批处理模式默认就开着 VAD 静音过滤。

外语录音想要英文文本，给 transcribe 传 task="translate" 即可；需要逐词定位时打开 word_timestamps=True，时间戳会细化到单词。VAD 也可以单独启用：vad_filter=True，默认策略比较保守，只剔除持续超过 2 秒的静音。这些开关的主逻辑集中在 faster_whisper/transcribe.py 里，想看默认值和全部参数直接读它。

真实场景怎么用

开完一个下午的会，你把录音丢给脚本，得到的不是一整块文字，而是带时间戳的分段。回看某个决策是怎么定下来的，拖进度条到对应秒数核对就行，不用重听整场。

学习场景里，两小时的讲座录音转成文字后，用 word_timestamps 能定位到具体哪个词。记笔记时想确认某句话的上下文，跳到那个词的时间点听一下，比从头快进半小时省事得多。

做播客或视频字幕，word 级时间戳配合分段输出，基本就是字幕文件的雏形。转错一两个专有名词时，你能精确知道是哪一个词、在哪一秒，修改成本很低。

性能数字：比官方版快多少

以下数据来自项目 README 的基准测试（13 分钟音频，large-v2 模型，NVIDIA RTX 3070 Ti 8GB，CUDA 12.4，beam size 均为 5）：

实现	精度	转录耗时	显存占用
openai/whisper	fp16	2m23s	4708 MB
whisper.cpp（Flash Attention）	fp16	1m05s	4127 MB
transformers（SDPA）	fp16	1m52s	4960 MB
faster-whisper	fp16	1m03s	4525 MB
faster-whisper（batch_size=8）	fp16	17s	6090 MB
faster-whisper（batch_size=8）	int8	16s	4500 MB

CPU 侧同样有差距：同一台 i7-12700K（8 线程）跑 small 模型，官方实现 6 分 58 秒，faster-whisper fp32 为 2 分 37 秒，int8 为 1 分 42 秒，内存占用约 1477 MB。README 给出的总口径是：相同准确率下最快可达官方实现的 4 倍速度，且内存占用更低。

生态与贡献入口

项目采用 MIT 许可（见 LICENSE），商用和二次封装基本没有障碍。想参与开发，入口在 CONTRIBUTING.md，执行pip install -e .[dev]即可搭好开发环境。围绕它也已经长出一批开源项目，比如做说话人分离的 WhisperX、做准实时转写的 Whisper-Streaming，README 里有更完整的社区集成列表。

把它跑通之后你会发现：语音转文字的等待时间，大部分可以省下来。

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