faster-whisper：更快的本地语音转写

faster-whisper 用 CTranslate2 重写了 Whisper 的推理，相同精度下更快、显存占用更低，是本地语音转写的实用选择。

要做字幕、做会议记录、批量转写课程录音，绕不开 Whisper。但原版实现跑起来慢，一个小时的音频在旧机器上要等很久。faster-whisper 是 SYSTRAN 维护的重实现：模型权重不变，推理后端换成 CTranslate2，支持 8 位量化与批处理。对没显卡的机器，这个差别很实在。

基本信息

核心能力

同精度更快。 官方声明：相同精度下比 openai/whisper 快至多 4 倍，且内存占用更少。原理是把模型转成 CTranslate2 格式，用更高效的算子跑。

量化可选。 支持 float16、int8_float16、int8 等计算类型。没有显卡时可以跑 int8，在 CPU 上也能接受；有显卡就用 float16。

词级时间戳。 能输出每个词的起止时间，做字幕对齐必须靠这个。比只给整句时间戳实用得多。

内置 VAD。 自带语音活动检测过滤静音段，长录音里大片空白不会拖慢速度，也不会产生“谢谢观看”这种幻觉字幕。

批处理推理。 提供 BatchedInferencePipeline，并行处理多个音频段，吞吐量比逐段跑高很多。批量转写课程时差别明显。

使用上手

1. pip install faster-whisper（建议在 venv 里装，避开依赖冲突）。
2. 先跑最小例子：加载 WhisperModel("large-v3", device="cuda", compute_type="float16")；无显卡则用 device="cpu"、compute_type="int8"。
3. 调 model.transcribe("audio.mp3", vad_filter=True, word_timestamps=True)，遍历返回的 segments 打印文本。
4. 输出字幕时，用 segment 的 start/end 生成 SRT；需要精细对齐再用 word timestamps。
5. 批量转写改用 BatchedInferencePipeline，并控制 batch_size，显存不够就调小。
6. 中文内容建议先确认模型对专业术语的识别，专有名词错得多就加 initial_prompt 引导。
7. 长音频先切段再并行跑，比单进程硬啃快。

优点与不足

优点是 MIT 许可、完全本地、无调用费用；速度快且显存友好，旧显卡也能跑；词级时间戳与 VAD 都是开箱可用；API 设计简单，几行代码就能出结果。不足是安装要匹配 CTranslate2 与 CUDA 版本，版本不对会报一堆底层错误；对强噪声、多人重叠说话的音频仍会错；中文标点与断句不如商业 API 精细；模型首次下载需要网络。

适合谁

适合做字幕、会议记录、课程转写的个人与小团队；适合需要批量处理大量录音的内容工作者；适合不想把音频上传到云服务的场景。不适合需要说话人分离（谁在说）的场景，那需要另配 diarization 工具。

下载与访问

仓库：https://github.com/SYSTRAN/faster-whisper
安装：pip install faster-whisper

许可证与部署

模型权重来自 Whisper 系列，商用前请同时确认模型本身的许可条款。

本文属于「项目」分类的 AI 资源专栏，更多评测见分类页。