如何 3 步装好 faster-whisperWhisper 语音转写安装配置完整指南【免费下载链接】faster-whisperFaster Whisper transcription with CTranslate2项目地址: https://gitcode.com/GitHub_Trending/fa/faster-whisperfaster-whisper 是基于 CTranslate2负责把模型推理跑得快的引擎重写的 Whisper 语音识别工具解决原版 openai/whisper 推理慢、显存占用高的问题。faster-whisper 安装只需一条 pip 命令CPU 或 GPU 都能跑。 一、项目速览faster-whisper 用 CTranslate2 作为推理引擎重实现了 OpenAI 的 Whisper 语音识别模型官方基准显示它在同等精度下比 openai/whisper 最多快 4 倍内存占用更低。项目主体是 PythonCPU 和 GPU 上都可以用 INT8 量化进一步提速。首次加载模型时会自动从 Hugging Face Hub 下载对应的 CTranslate2 转换模型无需手动转换权重。依赖项版本或要求说明Python≥ 3.9主运行环境3.8 及以下无法安装ctranslate2≥4.0,5推理引擎最新版仅支持 CUDA 12 cuDNN 9huggingface_hub≥ 0.23负责从 Hub 下载转换后的模型tokenizers≥0.13,1处理语音文本的分词onnxruntime≥1.14,2运行内置的 Silero VAD 语音活动检测模型PyAV (av)≥11自带 FFmpeg 库无需系统安装 FFmpegNVIDIA cuBLAS / cuDNNCUDA 12 cuDNN 9仅 GPUcuda运行时需要 二、开始安装一步步装好第 1 步确认 Python 版本做什么faster-whisper 要求 Python 3.9 及以上先确认当前解释器版本。python3 --version做完的样子终端输出类似Python 3.9.19或更高的版本号。如果低于 3.9先升级 Python 再继续。第 2 步用 pip 完成 faster-whisper 安装做什么从 PyPI 安装主包依赖会自动装齐。pip install faster-whisper做完的样子pip show faster-whisper输出Version: 1.2.1当前仓库版本且import faster_whisper不报错。如果想用最新开发代码或源码安装执行git clone https://gitcode.com/GitHub_Trending/fa/faster-whisper pip install .即可这里不再展开。第 3 步GPU 用户加装 NVIDIA 运行库做什么用 CUDA 运行时ctranslate2 还需要 cuBLAS 和 cuDNN 9 这两个库纯 CPU 用户跳过本步。pip install nvidia-cublas-cu12 nvidia-cudnn-cu129.* export LD_LIBRARY_PATHpython3 -c import os; import nvidia.cublas.lib; import nvidia.cudnn.lib; print(os.path.dirname(nvidia.cublas.lib.__file__) : os.path.dirname(nvidia.cudnn.lib.__file__))做完的样子在这个终端里启动 Python用devicecuda加载模型时不再报找不到 CUDA 库的错误。⚠️ 三、常见坑与对策CUDA/cuDNN 版本冲突→ 原因最新版 ctranslate2 只支持 CUDA 12 cuDNN 9老环境会直接报错 → 解法CUDA 11 / cuDNN 8 用户执行pip install --force-reinstall ctranslate23.24.0CUDA 12 但 cuDNN 8 的用户降到ctranslate24.4.0。LD_LIBRARY_PATH 没生效→ 原因export 只对当前终端会话有效新开终端就丢了 → 解法在启动 Python 之前的同一个终端里先 export别指望它跨终端。transcribe() 像没执行→ 原因返回的segments是生成器迭代之前不会开始转录 → 解法用list(segments)或 for 循环把它跑完。首次加载模型很慢→ 原因模型首次会从 Hugging Face Hub 自动下载 → 解法提前用download_model(tiny.en, ./models)预下载或加载时指定download_root/local_files_onlyTrue指向本地。担心没装 FFmpeg→ 原因原版 whisper 依赖系统 FFmpeg → 解法无需处理faster-whisper 用 PyAV 解码FFmpeg 库已随包提供。✅ 四、验证安装跑一段代码确认装成功faster-whisper 安装完成后把下面这段最小示例跑一遍即可验证tests/data/jfk.flac替换成你自己的音频路径import faster_whisper from faster_whisper import WhisperModel print(faster_whisper.__version__) # 输出 1.2.1 model WhisperModel(tiny.en, devicecpu, compute_typeint8) segments, info model.transcribe(tests/data/jfk.flac, beam_size5) for seg in list(segments): # 必须迭代才会真正开始转录 print(f[{seg.start:.2f}s - {seg.end:.2f}s] {seg.text})预期输出先打印版本号1.2.1随后出现形如[0.00s - 6.00s] and so we must insure that our democracy...的带时间戳转写文本说明模型加载与转录链路全部正常。更多转写参数VAD 过滤、词级时间戳、批量推理请直接查 README.md 和 WhisperModel 类源码。【免费下载链接】faster-whisperFaster Whisper transcription with CTranslate2项目地址: https://gitcode.com/GitHub_Trending/fa/faster-whisper创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
如何 3 步装好 faster-whisperWhisper 语音转写安装配置完整指南【免费下载链接】faster-whisperFaster Whisper transcription with CTranslate2项目地址: https://gitcode.com/GitHub_Trending/fa/faster-whisperfaster-whisper 是基于 CTranslate2负责把模型推理跑得快的引擎重写的 Whisper 语音识别工具解决原版 openai/whisper 推理慢、显存占用高的问题。faster-whisper 安装只需一条 pip 命令CPU 或 GPU 都能跑。 一、项目速览faster-whisper 用 CTranslate2 作为推理引擎重实现了 OpenAI 的 Whisper 语音识别模型官方基准显示它在同等精度下比 openai/whisper 最多快 4 倍内存占用更低。项目主体是 PythonCPU 和 GPU 上都可以用 INT8 量化进一步提速。首次加载模型时会自动从 Hugging Face Hub 下载对应的 CTranslate2 转换模型无需手动转换权重。依赖项版本或要求说明Python≥ 3.9主运行环境3.8 及以下无法安装ctranslate2≥4.0,5推理引擎最新版仅支持 CUDA 12 cuDNN 9huggingface_hub≥ 0.23负责从 Hub 下载转换后的模型tokenizers≥0.13,1处理语音文本的分词onnxruntime≥1.14,2运行内置的 Silero VAD 语音活动检测模型PyAV (av)≥11自带 FFmpeg 库无需系统安装 FFmpegNVIDIA cuBLAS / cuDNNCUDA 12 cuDNN 9仅 GPUcuda运行时需要 二、开始安装一步步装好第 1 步确认 Python 版本做什么faster-whisper 要求 Python 3.9 及以上先确认当前解释器版本。python3 --version做完的样子终端输出类似Python 3.9.19或更高的版本号。如果低于 3.9先升级 Python 再继续。第 2 步用 pip 完成 faster-whisper 安装做什么从 PyPI 安装主包依赖会自动装齐。pip install faster-whisper做完的样子pip show faster-whisper输出Version: 1.2.1当前仓库版本且import faster_whisper不报错。如果想用最新开发代码或源码安装执行git clone https://gitcode.com/GitHub_Trending/fa/faster-whisper pip install .即可这里不再展开。第 3 步GPU 用户加装 NVIDIA 运行库做什么用 CUDA 运行时ctranslate2 还需要 cuBLAS 和 cuDNN 9 这两个库纯 CPU 用户跳过本步。pip install nvidia-cublas-cu12 nvidia-cudnn-cu129.* export LD_LIBRARY_PATHpython3 -c import os; import nvidia.cublas.lib; import nvidia.cudnn.lib; print(os.path.dirname(nvidia.cublas.lib.__file__) : os.path.dirname(nvidia.cudnn.lib.__file__))做完的样子在这个终端里启动 Python用devicecuda加载模型时不再报找不到 CUDA 库的错误。⚠️ 三、常见坑与对策CUDA/cuDNN 版本冲突→ 原因最新版 ctranslate2 只支持 CUDA 12 cuDNN 9老环境会直接报错 → 解法CUDA 11 / cuDNN 8 用户执行pip install --force-reinstall ctranslate23.24.0CUDA 12 但 cuDNN 8 的用户降到ctranslate24.4.0。LD_LIBRARY_PATH 没生效→ 原因export 只对当前终端会话有效新开终端就丢了 → 解法在启动 Python 之前的同一个终端里先 export别指望它跨终端。transcribe() 像没执行→ 原因返回的segments是生成器迭代之前不会开始转录 → 解法用list(segments)或 for 循环把它跑完。首次加载模型很慢→ 原因模型首次会从 Hugging Face Hub 自动下载 → 解法提前用download_model(tiny.en, ./models)预下载或加载时指定download_root/local_files_onlyTrue指向本地。担心没装 FFmpeg→ 原因原版 whisper 依赖系统 FFmpeg → 解法无需处理faster-whisper 用 PyAV 解码FFmpeg 库已随包提供。✅ 四、验证安装跑一段代码确认装成功faster-whisper 安装完成后把下面这段最小示例跑一遍即可验证tests/data/jfk.flac替换成你自己的音频路径import faster_whisper from faster_whisper import WhisperModel print(faster_whisper.__version__) # 输出 1.2.1 model WhisperModel(tiny.en, devicecpu, compute_typeint8) segments, info model.transcribe(tests/data/jfk.flac, beam_size5) for seg in list(segments): # 必须迭代才会真正开始转录 print(f[{seg.start:.2f}s - {seg.end:.2f}s] {seg.text})预期输出先打印版本号1.2.1随后出现形如[0.00s - 6.00s] and so we must insure that our democracy...的带时间戳转写文本说明模型加载与转录链路全部正常。更多转写参数VAD 过滤、词级时间戳、批量推理请直接查 README.md 和 WhisperModel 类源码。【免费下载链接】faster-whisperFaster Whisper transcription with CTranslate2项目地址: https://gitcode.com/GitHub_Trending/fa/faster-whisper创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
