Whisper 本地转写 2026：不依赖云端的开源语音转文字

云端转写按分钟收费，还要把音频发给第三方。Whisper 和它的优化分支本地转写——最快可用的配置在这里。

💡 你将学到

云端转写按分钟收费，还要把音频发给第三方。Whisper 和它的优化分支本地转写——最快可用的配置在这里。

📜 目录

• 三个 Whisper 选择
• 10 分钟配置（faster-whisper）
• 模型尺寸 vs 速度
• 实用技巧
• 隐私和成本

三个 Whisper 选择

OpenAI 的 Whisper（107,154 stars，2026-08-13 实测）是语音转文字的参考模型，但原生 Whisper 在 CPU 上慢。2026 年的现实：三个项目覆盖整个谱系。

OpenAI Whisper：原版。文档最好、最忠实论文，但实用路径最慢。

faster-whisper（24,876 stars）：CTranslate2 重实现。比原版快 4 倍、精度相同、CPU 可跑、内存更省，是多数本地配置的默认选择。

whisperX（23,545 stars）：生产级管道。在 faster-whisper 之上加强制对齐（词级时间戳）和说话人分离钩子。需要字幕、词级时间或多人分离时选它。

10 分钟配置（faster-whisper）

pip install faster-whisper，然后上面那段 Python 就能跑：small 模型 + int8 量化，现代笔记本 CPU 上转写一小时会议大约接近实时。

模型尺寸 vs 速度

上表是五个档位：tiny 最快最基础，small 质量好且接近实时，large-v3 质量最好但 CPU 不现实。从 small 开始，精度不够再升。

实用技巧

• 语言：显式传 language 参数——自动检测费时间，短片还容易误判
• 长音频：faster-whisper 处理几小时的文件没问题，没有早期版本的上下文截断问题
• 时间戳：要字幕用 whisperX 拿词级对齐，原生输出只有段落级时间戳
• 标点：whisper 自带标点；要完美标点的转写稿，计划一遍轻量清理

隐私和成本

同样一小时音频，SaaS 花几美元还把文件传上云，本地转写零成本、文件留本地。法律、医疗、HR 这类机密会议，本地转写不是优化，是要求。