faster-whisper 使用教程

项目简介

faster-whisper 是 SYSTRAN 用 CTranslate2 重写的 Whisper 语音转写库，MIT 协议。它不带界面：装上之后用几行 Python，就能把录音转成一句一句、带开始和结束时间的文字。

推理走 CTranslate2，同一类模型比原版 Whisper 更快，也更省内存。8-bit 量化在 CPU 和 GPU 上都能用。和原版不一样，它不用另外安装系统里的解码器，音频解码交给 Python 包 PyAV，安装时会带上所需的库。

转写只负责「听见什么」。删掉嗯啊和口误、改同音字和专有名词、按封面 / 效果演示 / 使用方法 / 结尾拆成口播稿，交给 Codex。把你满意的旧稿和这些规矩写进项目里的 AGENTS.md，之后直接说人话就行。

📎 相关链接（点击展开）

• https://github.com/SYSTRAN/faster-whisper
• https://pypi.org/project/faster-whisper/
• https://github.com/OpenNMT/CTranslate2

核心亮点

它能做什么、输出什么

环境要求

如何使用

💡 先用 CPU 和 small 模型跑通一条短录音。确认有 CUDA 12 和 cuDNN 9 之后，再换成 large-v3 和 GPU。

pip install faster-whisper

from faster_whisper import WhisperModelmodel = WhisperModel("small", device="cpu", compute_type="int8")segments, info = model.transcribe("memo.m4a", beam_size=5, language="zh")print(info.language, info.language_probability)for segment in segments:    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

model = WhisperModel("large-v3", device="cuda", compute_type="float16")

from pathlib import Pathout = Path("transcripts")out.mkdir(exist_ok=True)for audio in Path("recordings").glob("*.m4a"):    segments, info = model.transcribe(str(audio), language="zh", vad_filter=True)    text = "".join(segment.text for segment in segments)    (out / (audio.stem + ".txt")).write_text(text, encoding="utf-8")

from faster_whisper import WhisperModel, BatchedInferencePipelinemodel = WhisperModel("turbo", device="cuda", compute_type="float16")batched = BatchedInferencePipeline(model=model)segments, info = batched.transcribe("memo.m4a", batch_size=16)for segment in segments:    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

口播稿只保留口播。按封面、效果演示、使用方法、结尾分场。每场标题写上估好的秒数，超了就删句子，不要硬凑。删掉嗯、啊、重复句和说错又改口的部分。专有名词以旧稿为准。写 skills，不要写成技能。

典型应用场景

性能表现

下面是官方 README 里的实测，不是宣传口径。同一段 13 分钟音频，large-v2 模型，beam size 都是 5。GPU 测试用 CUDA 12.4、RTX 3070 Ti 8GB。

CPU 用的是 small 模型、8 线程、Intel i7-12700K，转的仍是这 13 分钟。

🧠 它快，是因为 Transformer 推理换成了 CTranslate2，再用 8-bit 量化把内存降下来。比速度时 beam size、线程数要和对方设成一样，否则数字没有意义。

常见问题

Q: 和原版 Whisper 有什么差别？

模型一类，推理引擎换成了 CTranslate2。官方同一段 13 分钟音频、large-v2、GPU fp16：faster-whisper 1 分 03 秒，原版 2 分 23 秒。

Q: 还要安装 ffmpeg 吗？

不用。原版 Whisper 要系统里有 ffmpeg，这个库用 PyAV 解码，安装包里已经带了库。

Q: 没有 NVIDIA 显卡能跑吗？

能。device 用 cpu，compute_type 用 int8，模型先选 small。核显和苹果芯片也走这条 CPU 路径。

Q: 报错找不到 cublas 或 cudnn 怎么办？

GPU 路径需要 CUDA 12 和 cuDNN 9。CUDA 11 要把 ctranslate2 降到 3.24.0；CUDA 12 但 cuDNN 还是 8，降到 4.4.0。Linux 可以用 pip 装 nvidia-cublas-cu12 和 nvidia-cudnn-cu12，并设置库路径。Windows 按 NVIDIA 的文档安装，或把社区整理好的库放进 PATH。暂时搞不定就改回 CPU。

Q: 第一次运行停很久？

多半在下载模型权重。large-v3 比 small 大很多。想先看结果，把模型名改成 small。已经下过的模型可以传本地目录，不必每次都下。

Q: 中文同音字、专有名词不对？

转写负责听写，不负责改稿。同音字和专有名词交给 Codex，拿你的旧口播稿对照着改。这一步不要指望转写模型自己改对。

Q: 模型怎么选？

要听写质量用 large-v3。要更快用 distil-large-v3 或 turbo。没有独显用 small 加 int8。英文材料可以试 distil-large-v3，并把 language 设为 en。

Q: 程序结束了，但是没有文字？

segments 是生成器。transcribe 返回之后转写还没开始，要放进 for 循环，或者用 list(segments) 收齐，才会真正跑。

Q: 怎么和 Codex 一起用？

让 Codex 执行 pip install faster-whisper。再把旧稿和分场规矩写进 AGENTS.md。之后说：把这个文件夹里的录音都改成口播稿，每条一分钟以内，专有名词照旧稿来。

Q: 可以商用吗？

MIT 协议。可以放进商业项目，也可以再分发。分发时保留版权声明和许可声明。