音频转文字软件：Whisper、faster-whisper、whisper.cpp 横评

开源音频转文字软件有一个明确王者：Whisper。我们对比各变体、硬件需求和真实精度取舍。

💡 你将学到

开源音频转文字软件有一个明确王者：Whisper。我们对比各变体、硬件需求和真实精度取舍。

转写已经解决了——这是诚实的头条。OpenAI 开源 Whisper，一个打败同时代商业服务的模型，围绕它的生态现在覆盖所有部署形态：云、CPU、边缘、实时。

家族成员

Whisper（openai/whisper，106,735 星）是原版：5 个尺寸从 tiny 到 large-v3，80+ 语言，MIT 协议。faster-whisper（SYSTRAN/faster-whisper，24,776 星）用 CTranslate2 重新实现——同硬件快 4 倍，精度相同，是生产默认。whisper.cpp（ggerganov/whisper.cpp，52,615 星）在 CPU 甚至树莓派上跑——边缘方案。

真实数字：中端 GPU 上 faster-whisper large-v3 大约 10-20 倍实时速；CPU 上 whisper.cpp base 接近实时。干净英语精度优秀；重口音、音乐、重叠语音仍会掉精度——这些场景要留人工校对。中文用多语言模型，领域音频微调效果最好。

对比

常见问题

问：该用哪个模型尺寸？
答：质量优先用 large-v3；音频干净且短时换 medium 或 small 提速。

问：中文音频怎么处理？
答：用多语言模型并指定中文；用你的领域数据（会议、播客）微调能明显提精度。