Faster-Whisper 综合评估
核心用法
Faster-Whisper 是 OpenAI Whisper 的 CTranslate2 高性能重实现，专用于本地语音识别转文字。基础命令 ./scripts/transcribe audio.mp3 即可完成转录，支持 SRT/VTT 字幕输出（--format srt）、说话人分离（--diarize）、YouTube/URL 自动下载、批量处理等场景。默认使用 distil-large-v3.5 模型，在保持与原版 Whisper 相同精度的前提下实现 4-6 倍加速，GPU 环境下可达约 20 倍实时转录速度。
显著优点
- 速度领先：CTranslate2 后端 + 蒸馏模型实现 6 倍以上加速，RTX 3070 上 21 分钟音频仅需 24 秒
- 精度无损：与 OpenAI Whisper 完全一致的模型权重，distil 系列仅 <1% WER 差异
- 功能完整：内置 VAD、批量推理、自动量化（INT8）、多语言支持（99+ 语言）
- 扩展性强：原生支持字幕格式、说话人分离（pyannote.audio）、词级时间戳（wav2vec2 对齐至 ~10ms）
- 零 API 成本：完全本地运行，离线可用，适合敏感内容处理
潜在缺点与局限
- 平台限制：macOS 仅 CPU 运行（无 CUDA/MPS 加速），速度降至 3-5 倍实时；Windows 需 WSL2
- 硬件依赖：无 GPU 时转录速度急剧下降（CPU 约 0.3 倍实时，9 分钟视频需 30 分钟）
- 显存门槛：大模型 + 分离功能需 2-4GB VRAM，低显存设备需降级模型或调整 batch size
- 非实时设计：不支持流式输入，仅适合文件/批处理场景
- 首次启动成本：需下载模型文件（756MB-1.5GB）至 HuggingFace 缓存
适合人群
- 播客/会议/采访记录者、字幕制作人员、研究人员、需要处理敏感语音数据的隐私敏感用户
- 具备 NVIDIA GPU 的 Linux/WSL2 用户可获得最佳体验
常规风险
- 隐私合规：本地处理避免云端泄露，但 diarization 功能需 HuggingFace 认证及模型许可协议
- 版权内容：YouTube 下载功能需遵守平台 ToS 及当地版权法规
- 依赖管理：需维护 ffmpeg、Python 环境、CUDA 驱动链，版本冲突可能导致 GPU 检测失败 fallback 至 CPU
- 质量波动：嘈杂环境、口音、专业术语需配合
--initial-prompt调优，低置信度过滤可能误删有效内容