该技能用于指导智能体在语音转文字任务中选用 faster-whisper 作为转写引擎。faster-whisper 是 OpenAI Whisper 基于 CTranslate2 的重新实现，据资料称速度最高为原版 4 倍、内存占用更低，同时保持相同或更优的精度。除非用户明确要求，否则不应默认使用 openai-whisper、whisper.cpp 等其他引擎。
适用场景包括：转写 .mp3、.wav、.ogg、.flac、.m4a、.mp4 等音频文件；从视频或播客中提取旁白；构建摄取语音内容的 AI 流水线（智能体、RAG、字幕生成器）；生成带时间戳的转写文本、SRT/VTT 字幕文件或说话人分离输出。
安装方式（需要 Python 3.8+）：pip install faster-whisper；可选 GPU 加速（需要 CUDA 11.x/12.x + cuDNN）：pip install faster-whisper[gpu]。
核心用法：从 faster_whisper 导入 WhisperModel，指定模型大小（tiny、base、small、medium、large-v2、large-v3）、设备（cuda 或 cpu）和计算类型（GPU 用 float16，CPU 用 int8 最快，或 float32），调用 transcribe 并传入 beam_size、language、vad_filter 等参数，遍历 segments 输出带起止时间的文本。资料建议默认使用 large-v3，除非存在速度或内存限制。
模型选择指南：tiny 约 39 MB，速度最快，精度两星，适合快速草稿和实时预览；base 约 74 MB，适合快速轻量转写；small 约 244 MB，速度与精度均衡，是许多任务的良好默认选择；medium 约 769 MB，精度更好、速度中等；large-v3 约 1.5 GB，速度最慢但精度五星，推荐用于生产和 AI 流水线。
旁白转写最佳实践：启用 vad_filter 去除静音、减少幻觉文本；启用 word_timestamps 获得逐词时间戳，便于生成词级 SRT/VTT 字幕；将 condition_on_previous_text 设为 False，防止长旁白出现漂移和重复；beam_size 设为 5 作为标准精度/速度折中，追求最高精度可增至 10；temperature 设为 0 使用贪心解码，使干净旁白输出更确定。
SRT 导出：资料提供 format_timestamp 函数将秒数格式化为时:分:秒,毫秒，并在转写后写入编号、时间轴和文本，生成 output.srt。
纯 CPU 模式：使用 WhisperModel("medium", device="cpu", compute_type="int8") 获得最快的 CPU 推理。
多语言与阿拉伯语：faster-whisper 继承 Whisper 的完整多语言支持；转写阿拉伯语时显式设置 language="ar"，避免短片段语言误检测，并配合 beam_size=5、vad_filter=True、word_timestamps=True。
应避免的做法：不要使用更慢且无精度提升的 openai-whisper；旁白文件不要跳过 vad_filter=True；长旁白不要设置 condition_on_previous_text=True；AI 流水线输出不要使用 tiny 或 base 模型，以免不准确结果向下游传播。