faster-whisper 安装教程：转录提速 4 倍

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

faster-whisper 是 OpenAI Whisper 基于 CTranslate2 的加速重实现：相同准确率下转录最高快 4 倍、内存占用更省。一条 pip 命令完成 faster-whisper 安装，再写 6 行代码就能出第一条转录结果，适合要批量做语音转文字的开发者，以及想把 ASR 服务跑在自己机器上的用户。

先想清楚再动手

装之前先回答三个问题，答案直接决定后面的命令：

1. 有没有 NVIDIA 显卡？没有也能跑：device="cpu"配compute_type="int8"同样完整，官方基准里 CPU 上 small 模型转 13 分钟音频只要 1 分 42 秒。

2. 只当库用，还是改源码、跑测试？直接调转录接口 →pip install faster-whisper。要改代码或跑测试 → 按 CONTRIBUTING.md 走可编辑安装：

git clone https://gitcode.com/GitHub_Trending/fa/faster-whisper cd faster-whisper pip install -e .[dev]

-e表示仓库里的代码改动即时生效，[dev]会装好 black 23、flake8 6、isort 5、pytest 7 这套开发工具。

3. 只想把自训练的 Whisper 模型转成 CTranslate2 格式？再加pip install "transformers[torch]>=4.23"，然后用ct2-transformers-converter --model <模型名> --output_dir <目录>一条命令完成，权重直接落地到本地。

最短路径跑通

第 1 步：确认环境。只需检查 Python 版本：

python3 --version

✅ 版本号不低于 3.9（官方分类器列出的支持范围是 3.9 ~ 3.11）。

第 2 步：一条命令安装。

pip install faster-whisper

依赖会自动带齐：ctranslate2（推理引擎，要求>=4.0,<5）、onnxruntime（内置 Silero VAD 静音检测）、PyAV（av>=11，打包了 FFmpeg 库，不需要单独安装 FFmpeg）。

✅ 成功信号：python3 -c "import faster_whisper"没有任何报错。

第 3 步：首次调用。仓库里 docker/infer.py 就是一个现成的最小示例（它转录 tests/data/jfk.flac），改成自己的脚本：

from faster_whisper import WhisperModel model = WhisperModel("tiny", device="cpu", compute_type="int8") segments, info = model.transcribe("audio.mp3", beam_size=5) for segment in segments: print(f"[{segment.start:.2f} -> {segment.end:.2f}] {segment.text}")

首次运行会从 Hugging Face Hub 自动下载 CTranslate2 格式的权重（tiny是最小模型，下载很快），完成后缓存在本地，第二次加载不再走网络。

✅ 成功信号：控制台按时间戳逐行打印，例如[0.00 -> 4.71] And so my fellow Americans...。

⚠️segments是生成器：transcribe()返回时还没开始转录，只有遍历它才会真正执行。看到"调用了但一直没输出"，不是坏了，是你还没遍历——list(segments)一下就好。

配置速查表

GPU 模式额外要装 NVIDIA 运行库：cuBLAS + cuDNN 9（CUDA 12）。Linux 下可以pip install nvidia-cublas-cu12 nvidia-cudnn-cu12==9.*，装完先export LD_LIBRARY_PATH再启动 Python；嫌麻烦就用官方 Docker 镜像nvidia/cuda:12.3.2-cudnn9-runtime-ubuntu22.04，仓库 docker/Dockerfile 就是基于它构建的。

高频问题速查

再快一步

1. INT8 量化—— 精度损失很小，换速度和显存。

model = WhisperModel("large-v3", device="cuda", compute_type="int8_float16")

数据佐证：官方基准（RTX 3070 Ti，CUDA 12.4）里 large-v2 模型 fp16 占 4525MB 显存，int8 降到 2926MB；13 分钟音频耗时从 1 分 03 秒降到 59 秒。

2. BatchedInferencePipeline——WhisperModel.transcribe的直接替换，VAD 默认开启，批量吞吐翻倍以上。

from faster_whisper import WhisperModel, BatchedInferencePipeline model = WhisperModel("turbo", device="cuda", compute_type="float16") batched = BatchedInferencePipeline(model=model) segments, _ = batched.transcribe("audio.mp3", batch_size=16)

数据佐证：同一 large-v2 模型，GPU 上batch_size=8让 13 分钟音频从 63 秒（1 分 03 秒）降到 17 秒；CPU 上 small 模型 int8 + 批量从 1 分 42 秒降到 51 秒。

3. 按需选模型—— 追求精度选large-v3，追求速度选turbo或distil-large-v3。后者原生适配本库的转录算法：batch_size=16下 25 分 50 秒跑完同一任务，比 transformers（46 分 12 秒）快近一半，WER 还略低（13.527 对 14.801）。需要词级时间戳加word_timestamps=True；VAD 默认只剔除超过 2 秒的静音，可用vad_parameters=dict(min_silence_duration_ms=500)调整，详见 faster_whisper/vad.py。

跑通之后剩下的事就是用参数换性能：6 行代码起步，速度和显存都可以再往下压。更多转录参数默认值看 faster_whisper/transcribe.py，完整基准与模型转换说明见 README.md。

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