云端转写按分钟计费，音频还得先上传。Whisper 系列模型本地跑完全免费，但选错分支、算力类型或参数，速度能差出一个数量级。这篇给能直接跑的配置和六个真实坑。

📜 目录

• 三个选择，别选错
• 十分钟跑通 faster-whisper
• 模型档位与算力类型
• 六个真实会踩的坑
• 速度与成本
• 常见问题
• 相关文章

Whisper 本地转写 2026：不依赖云端的开源语音转文字

云端转写按分钟计费，音频还得先上传到别人的服务器。本地转写把这两件事都解决了：文件不出机器，跑多少小时都是电费。

Whisper 是这条路的事实标准，但直接用原版在 CPU 上慢到没法用。2026 年的现实是三个项目分工：原版做参考，faster-whisper 做生产，whisperX 做带时间戳和说话人分离的精细场景。

三个选择，别选错

十分钟跑通 faster-whisper

pip install faster-whisper
# 需要 ffmpeg 解码音频，Windows 装完要把 bin 目录加进 PATH

from faster_whisper import WhisperModel

model = WhisperModel("small", device="cpu", compute_type="int8")

segments, info = model.transcribe(
    "meeting.mp3",
    language="zh",          # 明确指定，别让它猜
    vad_filter=True,        # 静音段直接跳过，防幻觉
    beam_size=5,
)

for s in segments:
    print(f"[{s.start:7.1f} → {s.end:7.1f}] {s.text}")

segments 是生成器，边解码边出结果，长音频不会一次性吃满内存。

要输出 SRT，自己写十几行就够：

def fmt(t):
    h, m, s = int(t // 3600), int(t % 3600 // 60), t % 60
    return f"{h:02d}:{m:02d}:{s:06.3f}".replace(".", ",")

with open("out.srt", "w", encoding="utf-8") as f:
    for i, s in enumerate(segments, 1):
        f.write(f"{i}\n{fmt(s.start)} --> {fmt(s.end)}\n{s.text.strip()}\n\n")

模型档位与算力类型

compute_type 决定速度和显存的平衡：

显存大致量级：medium 在 GPU 上占 2-4GB，large-v3 占 4-6GB，随 beam size 和并发变化。CPU 上内存主要被模型本身占用，int8 量化后 small 约 0.5GB。

六个真实会踩的坑

1. 中文输出繁体字。 Whisper 的中文输出常常是繁体，这是模型训练数据导致的，不是配置错。两个办法：转写时给 initial_prompt="以下是普通话的句子，请用简体中文输出。"，或转完后用 OpenCC 统一转简体。后者更可靠。

2. 指定语言比自动检测好。 自动检测要额外解码一段音频，短片容易误判成粤语或日语。已知语种就写死 language="zh"。

3. 静音段产生幻觉。 没有语音的段落，模型有时会凭空输出"谢谢观看""字幕由某某提供"。开 vad_filter=True 基本能压住。

4. 长音频复读。 同一句话被反复输出，是解码上下文串了。设 condition_on_previous_text=False 断开跨段依赖，代价是段间连贯性略降。

5. 专有名词错。 人名、产品名、术语几乎必错。用 initial_prompt 把这些词写进去，等于给模型一个词表。

6. GPU 版报 cuDNN/cuBLAS 错。 CTranslate2 对 CUDA 和 cuDNN 版本敏感，装完 CUDA 还要单独装匹配的 cuDNN。图省事就先跑 device="cpu", compute_type="int8"，速度未必不能接受。

速度与成本

一小时会议音频，在普通笔记本 CPU 上用 small + int8 大致接近实时或稍慢，跑完要一杯咖啡的时间；同一条音频在云端按分钟计费，还要上传几十到上百 MB。

真正的差别不在钱，在合规：法务、医疗、HR 的录音走云端要过数据协议，本地转写是"允许处理"和"不许出机器"的区别。

常见问题

Q：能不能做到比实时更快？ A：GPU 上可以，large-v3 配 float16 通常快于实时；CPU 上很难，除非用小模型。

Q：多人会议怎么区分说话人？ A：faster-whisper 本身不做分离，用 whisperX（带 diarization 流程），或额外接 pyannote 一类的说话人分离模型。

Q：能转写视频吗？ A：能，ffmpeg 支持的容器都能解，直接传 mp4 即可，音频轨会被抽出来。

Q：中文标点准吗？ A：Whisper 自带标点，整体可读，但长句断句和引号经常要人工过一遍。正式交付前留出校对时间。

Q：有没有不用 Python 的方案？ A：有，whisper.cpp 是 C++ 实现，编译后单个二进制可跑，适合塞进桌面工具或嵌入式设备。

注：模型体积、显存与速度为量级参考，随硬件、量化方式和音频长度变化；安装依赖以 faster-whisper 官方文档为准。

相关文章

• Kokoro TTS 指南 2026：8k stars 的本地语音模型，价格上打败云 TTS
• AI字幕生成2026：用Whisper给任意视频自动加字幕
• CPU跑大模型2026：无显卡机器能跑的模型、速度与配置