faster-whisper 中文版 - 高性能本地语音转文字工具

使用 faster-whisper 的本地语音转文字工具。支持 GPU 加速的高性能转录，包含词级时间戳和蒸馏模型。当用户要求"转录音频"、"语音转文字"或"whisper"时使用此技能。

Faster-Whisper 中文版

基于 faster-whisper 的高性能本地语音转文字工具。

安装设置

1. 运行安装脚本

执行安装脚本以创建虚拟环境并安装依赖包。脚本会自动检测 NVIDIA GPU 以启用 CUDA 加速。

bash

./setup.sh

系统要求：

• Python 3.10 或更高版本
• ffmpeg（系统已安装）

使用方法

使用转换脚本转换音频文件。

适用场景

• 会议录音转文字纪要
• 语音笔记转文字记录
• 音频文件内容提取
• 访谈录音整理
• 培训录音转文字材料
• 视频字幕生成
• 播客内容转录
• 语音转文字
• 音频转文字

基本转录

bash

export HF_HOME=/config/huggingface
export HF_ENDPOINT=https://hf-mirror.com
.venv/bin/python3 scripts/transcribe.py

高级选项

• 指定模型: .venv/bin/python3 scripts/transcribe.py audio.mp3 --model large-v3-turbo
• 词级时间戳: .venv/bin/python3 scripts/transcribe.py audio.mp3 --word-timestamps
• JSON 输出: .venv/bin/python3 scripts/transcribe.py audio.mp3 --json
• 语音活动检测（静音去除）: .venv/bin/python3 scripts/transcribe.py audio.mp3 --vad
• 指定语言: .venv/bin/python3 scripts/transcribe.py audio.mp3 --language zh
• GPU 加速: .venv/bin/python3 scripts/transcribe.py audio.mp3 --device cuda
• CPU 优化: .venv/bin/python3 scripts/transcribe.py audio.mp3 --device cpu --compute-type int8

完整命令示例

bash

# 中文转录，使用 GPU 加速
.venv/bin/python3 scripts/transcribe.py 会议录音.mp3 --language zh --device cuda --compute-type float16

# 英文转录，包含词级时间戳
.venv/bin/python3 scripts/transcribe.py interview.wav --language en --word-timestamps --json

# 快速 CPU 转录，优化性能
.venv/bin/python3 scripts/transcribe.py audio.m4a --device cpu --compute-type int8 --model distil-large-v3

# 批量处理脚本
.venv/bin/python3 scripts/batch_transcribe.sh /path/to/audio/files/

可用模型

• large-v3-turbo (默认):推荐用于多语言或最高准确度任务
• large-v3: 原始大模型，准确度最高
• distil-large-v3: 速度和准确性的最佳平衡
• medium: 中等大小，平衡性能
• small: 小型模型，速度快
• base: 基础模型，资源需求最低
• tiny: 微型模型，速度最快
• medium.en, small.en: 仅支持英语的更快版本

模型选择指南

模型	大小	推荐用途	硬件要求
large-v3-turbo	1.5GB	专业级转录	高性能 GPU
medium	1.5GB	平衡性能	普通配置
distil-large-v3	756MB	通用中文转录	中等配置
small	500MB	快速转录	低配置
tiny	150MB	实时转录	最低配置

性能优化

GPU 加速配置

bash

# NVIDIA GPU (CUDA)
.venv/bin/python3 scripts/transcribe.py audio.mp3 --device cuda --compute-type float16

# Apple Silicon (macOS)
.venv/bin/python3 scripts/transcribe.py audio.mp3 --device mps

CPU 优化配置

bash

# 高性能 CPU
.venv/bin/python3 scripts/transcribe.py audio.mp3 --device cpu --compute-type int8 --beam-size 3

# 低资源环境
.venv/bin/python3 scripts/transcribe.py audio.mp3 --device cpu --compute-type int8 --model small --beam-size 1

故障排除

常见问题

• 未检测到 GPU: 确保 NVIDIA 驱动和 CUDA 正确安装。CPU 转录速度会显著变慢。
• 内存不足错误: 使用更小的模型（如 small 或 base）或使用 --compute-type int8
• 模型下载失败: 设置环境变量 HF_ENDPOINT=https://hf-mirror.com 使用国内镜像
• 音频格式不支持: 使用 ffmpeg 转换音频格式：ffmpeg -i input.m4a output.wav

错误解决方案

1. CUDA 不可用

   bash

   # 检查 CUDA 安装
   nvidia-smi
   
   # 如果未安装，重新运行安装脚本
   ./setup.sh
   

2. ffmpeg 未找到

   bash

   # Ubuntu/Debian
   sudo apt install ffmpeg
   
   # macOS
   brew install ffmpeg
   
   # CentOS/RHEL
   sudo yum install ffmpeg
   

3. Python 版本过低

   bash

   # 检查 Python 版本
   python3 --version
   
   # 需要 Python 3.10+
   

环境变量配置

bash

# 设置 HuggingFace 缓存目录（避免重复下载）
export HF_HOME=/config/huggingface

# 使用国内镜像加速下载
export HF_ENDPOINT=https://hf-mirror.com

# 设置 PyTorch CUDA 版本（如有需要）
export CUDA_VISIBLE_DEVICES=0

批量处理

创建 batch_transcribe.sh 脚本进行批量处理：

bash

#!/bin/bash
# 批量转录脚本
for audio_file in *.mp3 *.wav *.m4a; do
    if [ -f "$audio_file" ]; then
        echo "处理: $audio_file"
        ./scripts/transcribe.py "$audio_file" --output "${audio_file%.*}.txt"
    fi
done

输出格式

纯文本输出

text

[00:00:00.000 --> 00:00:05.000] 欢迎使用 faster-whisper 语音转文字工具。
[00:00:05.000 --> 00:00:10.000] 这是一个高性能的本地转录解决方案。

JSON 输出

json

{
  "text": "完整的转录文本...",
  "segments": [
    {
      "start": 0.0,
      "end": 5.0,
      "text": "欢迎使用 faster-whisper 语音转文字工具。",
      "words": [
        {"word": "欢迎", "start": 0.0, "end": 0.5},
        {"word": "使用", "start": 0.5, "end": 1.0}
      ]
    }
  ]
}

更新日志

v1.0.5 (2026-04-16)

• 重新调整命令
• 原需激活虚拟环境更改为直接执行虚拟环境的python3

技术支持

如有问题，请：

1. 查看本文档的故障排除部分
2. 检查系统要求是否满足
3. 确保网络连接正常（模型下载需要网络）
4. 查看脚本错误信息进行调试

---

提示: 首次运行会下载所选模型（large-v3-turbo 约 1.5GB）。请确保有足够的磁盘空间和稳定的网络连接。