2026本地语音转文字：Whisper重准确、faster-whisper重速度、FunASR强中文，附模型规格表与安装代码。

📜 目录

• 一、三个项目的定位
• 二、模型规格与硬件门槛
• 三、原版 Whisper：两条命令跑通
• 四、faster-whisper：快几倍，代码差不多
• 五、FunASR：中文场景的实战选择
• 六、要区分说话人怎么办
• 七、怎么选
• 八、四个提升准确率的小动作
• 常见问题
• 相关文章

本地语音转文字：2026年Whisper、faster-whisper、FunASR对比

录音转文字这件事，云服务按小时收费，一小时的会议几毛到几块，量一大就不便宜；更麻烦的是内容要出机器，法务和医疗场景基本不能接受。本地方案现在足够好用：三个项目覆盖了准确率、速度、中文三个方向，装完就能跑，没有调用次数限制。

一、三个项目的定位

星数为 2026 年 10 月统计，会持续变化。

二、模型规格与硬件门槛

Whisper 系列权重是通用的，faster-whisper 和 WhisperX 读的是同一套：

显存数字随批量、音频长度和框架实现浮动，官方仓库有对照表，以官方说明为准。没有显卡也能跑，只是慢：CPU 上一小时音频用 large-v3 要几十分钟量级，用 small 或 int8 量化能压到十几分钟。具体快慢取决于你的 CPU 核数和音频质量，建议先拿自己的样本跑一遍再定档。

三、原版 Whisper：两条命令跑通

# 需要先装 ffmpeg（Windows 用 winget install ffmpeg，mac 用 brew install ffmpeg）
pip install -U openai-whisper

whisper meeting.mp3 --model large-v3 --language zh \
    --task transcribe --output_format srt \
    --initial_prompt "以下是普通话会议记录，涉及产品、接口和排期。"

--initial_prompt 这一步很关键：把参会人的名字、专有名词、行业术语写进去，模型会倾向用这些词，人名和缩写的错误率明显下降。

四、faster-whisper：快几倍，代码差不多

pip install -U faster-whisper

from faster_whisper import WhisperModel

model = WhisperModel("large-v3", device="cuda", compute_type="float16")
segments, info = model.transcribe(
    "meeting.mp3",
    language="zh",
    beam_size=5,
    vad_filter=True,                 # 先切掉静音，长录音提速明显
    vad_parameters={"min_silence_duration_ms": 500},
    initial_prompt="以下是普通话会议记录，涉及产品、接口和排期。",
)

for s in segments:
    print(f"[{s.start:.1f} -> {s.end:.1f}] {s.text}")

显存吃紧就把 compute_type 改成 "int8_float16" 或 "int8"，精度损失很小，显存占用差不多减半。纯 CPU 用 device="cpu", compute_type="int8"，比原版快得多。

五、FunASR：中文场景的实战选择

FunASR 的好处是把 VAD、识别、标点三件事串成了一条链，输出直接带标点和时间戳，不用自己后处理。

pip install -U funasr modelscope

from funasr import AutoModel

model = AutoModel(
    model="paraformer-zh",      # 中文识别主模型
    vad_model="fsmn-vad",       # 语音端点检测
    punc_model="ct-punc",       # 加标点
)

res = model.generate(
    input="meeting.wav",
    batch_size_s=300,           # 按 300 秒一批处理，长音频友好
    hotword="青鸟观察派 向量数据库 RAG",   # 热词，专有名词命中率提升明显
)
print(res[0]["text"])

模型首次运行会从 ModelScope 自动下载，几百 MB 到 1GB 多，之后就完全离线。热词（hotword）是 FunASR 对中文最实用的一项，产品名、客户名、内部黑话都能塞进去。

六、要区分说话人怎么办

Whisper 本身不分说话人。两条路：

pip install -U whisperx
whisperx meeting.mp3 --model large-v3 --language zh --diarize --min_speakers 2 --max_speakers 6

--diarize 依赖 pyannote 的说话人模型，需要在 Hugging Face 上接受模型条款并配置 token，具体步骤以 whisperx 官方文档为准。中文场景也可以直接用 FunASR 的说话人分离方案，效果依录音质量差异较大，务必先用真实录音验证。

七、怎么选

八、四个提升准确率的小动作

1. 加 VAD：先把静音和空调噪声切掉，长录音能省一半时间，还减少空转导致的重复输出。
2. 喂术语表：initial_prompt（Whisper）或 hotword（FunASR）里放人名和专名，比模型升级更便宜。
3. 控制分段长度：超过 30 秒的段落容易跑偏，faster-whisper 里配合 VAD 参数把段落压到 10 到 20 秒。
4. 做后处理替换表：把稳定出现的错词做成映射表批量替换，一次配置长期受益。

常见问题

Q：中文识别总是缺标点？ A：原版 Whisper 不给标点，用 FunASR 的 punc_model，或者在提示词里加"以下是带标点的普通话记录"。

Q：为什么转写结果里有重复的整句？ A：多数是模型在静音段空转。开 VAD 过滤，并把 condition_on_previous_text 设为 False 再试。

Q：本地转录一小时音频要多久？ A：取决于模型和硬件。中端显卡 + large-v3 通常在几分钟量级，纯 CPU 用 large 会到几十分钟。先跑 5 分钟样本测速，再决定要不要降档。

Q：能商业使用吗？ A：Whisper 权重为 MIT 许可，FunASR 为 Apache 2.0，faster-whisper 为 MIT，商用基本无障碍。具体条款以各仓库 LICENSE 为准。

注：模型规格、显存占用与许可条款以各项目官方文档为准。

相关文章

• 在Android上运行Ollama：4款应用对比
• 本地运行Ollama的硬件要求：内存、显卡、CPU
• 2026 年在安卓上跑 LLM：5 种把本地模型装进手机的方法