Whisper 太慢？faster-whisper 把 13 分钟音频压到 17 秒

Whisper 开源之后，字幕转录的最大瓶颈从模型能力变成了跑得慢。faster-whisper 就是为这个瓶颈来的：用 CTranslate2 推理引擎重实现的 Whisper，官方基准给的是同精度下最高 4 倍速度、更省内存，再开 int8 量化还能继续压。2.6 万星、MIT 协议，PyPI 最新版 1.2.1，本系列第 18 个工具，负责把音轨变成字幕稿。

一、基准表比形容词可信

README 的基准测的是转录 13 分钟音频。Large-v2 模型跑在 RTX 3070 Ti 上：openai/whisper 用 fp16 要 2 分 23 秒、占 4708MB 显存；faster-whisper 同精度 1 分 03 秒；开 batch_size=8 直接压到 17 秒；换 int8 量化则只要 59 秒、显存降到 2926MB。CPU 上差距更夸张，small 模型转同样音频，openai 官方实现要 6 分 58 秒，faster-whisper 的 int8 加批量是 51 秒。

这些数字都来自仓库 README，硬件条件也标得清楚（GPU 基准用 CUDA 12.4）。结论一句话：转录从「等」变成了「顺手」。

二、部署比想象省事

两个工程细节值得一说。一是依赖：不像 openai-whisper 要求系统装 FFmpeg，faster-whisper 用 PyAV 解码音频，FFmpeg 的库直接打包在 Python 包里，pip 装完就能跑，GPU 环境另配 CUDA 12 和 cuDNN 9 即可。二是 CTranslate2 本身，这个 OpenNMT 出品推理引擎支持 8 位量化，CPU 和 GPU 都受益，这也是名字里 faster 的真正来源。

本站之前写过 WhisperX，它正是在 faster-whisper 之上加了强制对齐和说话人分离，需求更全可以直接用那个。

三、放进出片流水线

字幕环节的接法很直接：OBS 录完的素材丢给它，按句切出带时间戳的字幕稿，人工校一遍人名和术语，再进 OpenCut 或 Remotion 烧录。它和第 16 篇的 Chatterbox 还能组成闭环：AI 配音生成后反向转录，逐句比对原稿，配音有没有念错、漏句一目了然。

至此声音链路全部打通。系列只剩最后一篇，也是兜底的那篇：FFmpeg，编码与交付的总开关。