🎙️ Faster Whisper GPU

基于 Faster Whisper 的高性能本地语音转文字（STT）方案，支持 NVIDIA GPU 加速。

✨ 特性

• 🚀 GPU 加速：利用 NVIDIA CUDA 实现极速语音转写
• 🔒 100% 本地运行：所有数据均保留在您的设备上，完全私密
• 💰 永久免费：无需 API 调用费用，可无限次执行转写任务
• 🌍 多语言支持：支持 99 种语言，并自动检测输入语言
• 📁 多格式支持：输入格式：MP3、WAV、FLAC、OGG、M4A；输出格式：TXT、SRT、JSON
• 🎯 多模型选择：从轻量级 tiny（速度快）到高精度 large-v3
• 🎬 字幕生成：输出带词级时间戳的 SRT 字幕文件

📋 系统要求

硬件要求

• 支持 CUDA 的 NVIDIA GPU（推荐：4GB+ 显存）
• 或纯 CPU 模式（速度较慢，但可在任意机器上运行）

软件要求

• Python 3.8+
• NVIDIA 驱动程序（启用 GPU 支持时必需）
• CUDA Toolkit 11.8+ 或 12.x

🚀 快速开始

安装

# 安装依赖
pip install faster-whisper torch

# 验证 GPU 是否可用
python -c "import torch; print(f'CUDA available: {torch.cuda.is_available()}')"

基础用法

# 转写音频文件（自动检测 GPU）
python transcribe.py audio.mp3

# 显式指定语言
python transcribe.py audio.mp3 --language pt

# 输出为 SRT 字幕格式
python transcribe.py audio.mp3 --format srt --output subtitles.srt

# 使用更大模型以提升准确率
python transcribe.py audio.mp3 --model large-v3

🔧 高级用法

命令行选项

python transcribe.py  [options]

Options:
  --model {tiny,base,small,medium,large-v1,large-v2,large-v3}
                        使用的模型尺寸（默认：base）
  --language LANG       语言代码（例如：'pt'、'en'、'es'），不指定时自动检测
  --format {txt,srt,json,vtt}
                        输出格式（默认：txt）
  --output FILE         输出文件路径（默认：标准输出 stdout）
  --device {cuda,cpu}   使用的设备（默认：若可用则为 cuda）
  --compute_type {int8,int8_float16,int16,float16,float32}
                        计算精度（默认：float16）
  --task {transcribe,translate}
                        任务类型：transcribe（转写）或 translate（翻译为英文）（默认：transcribe）
  --vad_filter          启用语音活动检测（VAD）过滤器
  --vad_parameters MIN_DURATION_ON,MIN_DURATION_OFF
                        VAD 参数，以逗号分隔
  --condition_on_previous_text
                        基于前序文本进行条件建模（默认：True）
  --initial_prompt PROMPT
                        初始提示词，用于引导转写结果
  --word_timestamps     包含词级时间戳（仅对 SRT/JSON 格式有效）
  --hotwords WORDS      以逗号分隔的关键词列表，用于增强识别效果

示例

葡萄牙语转写并输出 SRT 字幕

python transcribe.py meeting.mp3 --language pt --format srt --output meeting.srt

将任意语言音频翻译为英文文本

python transcribe.py japanese_audio.mp3 --task translate --format txt

高精度模式（使用 large-v3 模型）

python transcribe.py podcast.mp3 --model large-v3 --vad_filter --word_timestamps

纯 CPU 模式（无 GPU）

python transcribe.py audio.mp3 --device cpu --compute_type int8

🐍 Python API

from faster_whisper import WhisperModel

# 加载模型
model = WhisperModel("base", device="cuda", compute_type="float16")

# 执行转写
segments, info = model.transcribe("audio.mp3", language="pt")

print(f"Detected language: {info.language} (probability: {info.language_probability:.2f})")

for segment in segments:
    print(f"[{segment.start:.2f}s -> {segment.end:.2f}s] {segment.text}")

📊 模型尺寸与显存需求

基准测试基于 NVIDIA RTX 4090

🔍 支持的语言

Faster Whisper 支持共 99 种语言，包括：

• 葡萄牙语（pt）
• 英语（en）
• 西班牙语（es）
• 法语（fr）
• 德语（de）
• 意大利语（it）
• 日语（ja）
• 中文（zh）
• 俄语（ru）
• 以及 90+ 种其他语言...

🛠️ 故障排查

CUDA 显存不足

# 使用更小的模型
python transcribe.py audio.mp3 --model tiny

# 或切换至 CPU 模式
python transcribe.py audio.mp3 --device cpu

# 或降低计算精度
python transcribe.py audio.mp3 --compute_type int8

模型下载失败

模型将在首次使用时自动下载至 ~/.cache/huggingface/hub/。 若处于代理环境下，请设置：

export HF_HOME=/path/to/custom/cache

转写速度缓慢

• 确认 GPU 正在被使用：转写过程中运行 nvidia-smi 查看 GPU 利用率
• 选用更小的模型以加快处理速度
• 启用 VAD 过滤器跳过静音段落

🤝 参与贡献

欢迎提交贡献！请按以下步骤操作：

1. Fork 本仓库
2. 创建功能分支（feature branch）
3. 提交 Pull Request

📜 许可协议

MIT License — 具体条款详见 LICENSE 文件。

Faster Whisper 由 SYSTRAN 开发，基于 OpenAI 的 Whisper 模型。

🙏 致谢

• OpenAI Whisper — 原始模型
• Faster Whisper — 优化实现版本
• CTranslate2 — 高速推理引擎

Made with ❤️ for the OpenClaw community