faster-whisper 这个项目是基于 OpenAI whisper 的模型，在上面的一个重写。
使用的是 CTranslate2 的这样的一个库，CTranslate2 是用于 Transformer 模型的一个快速推理引擎。
在相同精度的情况下，faster-whisper 的速度比 OpenAI whisper 快 4 倍，并且使用更少的内存。
这是 faster-whisper 与 OpenAI whisper 的测试对比结果，使用了一个13分钟的音频做的测试。
OpenAI whisper 用了4分30秒，faster-whisper 只用了54秒。
并且，faster-whisper 使用的 CPU 和 GPU 都只有 OpenAI whisper 的三分之一左右。
性能大幅提升，资源占用大幅降低，就是马跑的更快了，吃的更少了。
感紧跑起来试试。
本地安装运行
faster-whisper 需要 Python 3.8 之后的版本，可以创建Python虚拟环境来实现。
安装 faster-whisper ：
pip install faster-whisper
Python代码：
from faster_whisper import WhisperModel
# 指定模型
model_size = "large-v3"
# or run on CPU with INT8
model = WhisperModel(model_size, device="cpu", compute_type="int8")
# 加载音频，执行语音识别
segments, info = model.transcribe("Haul.mp3", beam_size=5)
print("Detected language '%s' with probability %f" % (info.language, info.language_probability))
for segment in segments:
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
第一次执行时，会自动加载模型。
然后开始识别，输出识别结果。
以上是在 CPU 上的运行过程，如果想要更好的运行效率，自然是在 GPU 上跑。
想使用 GPU，需要安装一些辅助。
以 N 卡为例，先安装 NVIDIA 相关的东西。
打开网页：
developer.nvidia.com/cudnn
下载安装。
打开网页：
developer.nvidia.com/cuda-downloads
下载安装。
安装完成后，打开安装目录，例如我的是：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\bin
找到其中的文件 cublas64_12.dll，复制一份，改名为 cublas64_11.dll。
打开网页：
github.com/Purfview/whisper-standalone-win/releases/tag/libs
下载解压，根据提示放入相应位置。
安装依赖库：
pip install nvidia-cublas-cu11 nvidia-cudnn-cu11
然后就可以使用 GPU 运行了。
Python 代码：
from faster_whisper import WhisperModel
model_size = "large-v3"
# 使用 GPU 运行，指定精度 INT8
model = WhisperModel(model_size, device="cuda", compute_type="int8_float16")
# 加载音频并执行识别
segments, info = model.transcribe("Haul.mp3", beam_size=5)
print("Detected language '%s' with probability %f" % (info.language, info.language_probability))
for segment in segments:
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
怎么样，感觉不错吧，有兴趣的话，快试试吧。
项目地址：
github.com/SYSTRAN/faster-whisper
#AI 人工智能，#OpenAI whisper, #fast-whisper，#ChatGPT，#语音转文字，#gpt890
信息来源 gpt890.com/article/35
