开源本地语音转文字工具，比 OpenAI Whisper 快4-6倍，支持GPU加速、说话人分离、多格式字幕导出与批量处理
说明：
## 核心功能
faster-whisper 是 OpenAI Whisper 的高性能本地化实现，基于 CTranslate2 引擎重新构建，在保持相同识别准确率的前提下实现 **4-6倍速度提升**。配合 GPU 加速（CUDA），可实现约 **20倍实时转录**（10分钟音频约30秒完成）。
### 主要能力
**基础转录**：支持 99+ 种语言的自动识别与转录，默认使用 `distil-large-v3.5` 模型（6倍速蒸馏模型，准确率损失<1%）。
**字幕生成**：原生支持 SRT、WebVTT、ASS（Aegisub）、LRC（歌词）、TTML（广播级标准）等格式，可生成词级时间戳（~10ms精度）。
**说话人分离**：集成 pyannote.audio，自动标注 "谁说了什么"，支持自定义说话人姓名映射。
**智能处理**：URL/YouTube 自动下载、播客 RSS 批量抓取、章节自动检测、音频降噪与归一化、填充词清理（um/uh等）。
**批量与搜索**：通配符批量处理、断点续传、ETA预估、转录内容关键词搜索与定位。
### 显著优点
– **零API成本**：完全本地运行，无订阅费用
– **隐私安全**：音频不上传云端，适合敏感内容
– **生产级性能**：C++后端稳定高效，支持量化降显存
– **灵活输出**：多格式并行输出、CSV表格、HTML置信度着色、JSON元数据
– **精准对齐**：自动 wav2vec2 强制对齐，词边界精度达10ms
### 潜在局限
– **硬件依赖**：CPU转录极慢（~0.3倍实时），强烈依赖NVIDIA GPU
– **macOS无加速**：Apple Silicon仅CPU运行（CTranslate2不支持Metal）
– **初始配置**：说话人分离需 HuggingFace 认证与模型许可
– **显存占用**：大模型+分离需 ~3GB VRAM，低显存需降质或量化
– **长音频流式**：`–stream` 模式下禁用分离与词对齐
### 适合人群
– 内容创作者（播客、视频字幕制作）
– 企业与研究机构（会议记录、访谈整理）
– 隐私敏感场景（医疗、法律、金融转录）
– 多语言内容处理者（自动语言检测、批量翻译转录）
### 常规风险
– **模型幻觉**：音乐/静音处可能生成虚假文本，需 `–filter-hallucinations` 或调低 temperature
– **VAD误切**：语音活动检测可能切分不当，需调参 `–vad-threshold`
– **蒸馏模型重复**：需自动禁用 `condition_on_previous_text`（脚本已处理）
– **依赖维护**：yt-dlp、ffmpeg、pyannote 等可选组件需单独管理
会员专属
