SuperAPI AI 工具集

faster-whisper

通用与其它

查看项目

更新于 10-16 05:52

技能介绍

用途:将音频/视频本地转写为文字,适用于会议、访谈、播客、讲座、YouTube 视频,也支持字幕生成与批量处理。触发场景如“转写这段音频”“把语音转成文字”“给视频加字幕”。不适合实时/流式转写、纯云端环境,以及小于 10 秒的短文件。

主要能力:基于 CTranslate2 的 Whisper 重实现,速度约为原版 4-6 倍、准确率相同;GPU 下约 20 倍实时(10 分钟音频约 30 秒)。支持 99+ 语言自动检测,可输出词级时间戳、JSON、VAD 去静音。蒸馏模型约 6 倍加速、WER 差距约 1%。默认模型为 distil-large-v3。

用法:先运行 ./setup.sh(Linux/macOS/WSL2)或 .\setup.ps1(Windows,自动安装 Python/ffmpeg)。随后运行 ./scripts/transcribe audio.mp3,可用 --model、--language、--word-timestamps、--beam-size、--vad、--json、-o、--device、--compute-type、--quiet 等参数。Windows 使用 .\scripts\transcribe.cmd 或 .ps1。要求 Linux/macOS/WSL2 具备 Python 3.10+ 与 ffmpeg。

限制:无 GPU 时 CPU 极慢(约 0.3 倍实时),建议使用 CUDA;macOS 上 CTranslate2 仅支持 CPU。需注意显存/内存,必要时改用更小模型或 --compute-type int8。首次运行需下载模型。收费、价格等信息暂未提供。