Faster-Whisper：更快更好的开源Asr模型

Ne0inhk

23 Mar 2026 — 7 min read

大家好，我是烤鸭：

半年前写过的whisper，https://blog.ZEEKLOG.net/Angry_Mills/article/details/145556431。其实一度中间换到了whisperX，虽然没有whisper好用(不支持标点符号)，不过效率是真香。最近又遇到类似的需求，就去魔塔上搜了一下，发现了这款 faster-whisper（不过魔塔上没有代码说明）。如果你也有asr要求，又不想花钱，机器配置又一般，强烈推荐。

Faster-Whisper模型介绍

魔塔地址：https://www.modelscope.cn/models/XXXXRT/faster-whisper

github：https://github.com/SYSTRAN/faster-whisper

可以看到large模型，在内存差不多的情况下，faster-whisper耗时比whisper快了50%+

测试环境

Python 3.11 or greater
CUDA 12.8
windows 4070S 12G
linux 4090 24G

调用demo

代码没什么好说的，就是官方代码改了下。

from faster_whisper import WhisperModel model_dir = "/data/xxxxx/modelscope/hub/models/XXXXRT/faster-whisper/faster-whisper-large-v3" # Run on GPU with FP16 model = WhisperModel(model_dir, device="cuda", compute_type="float16") # or run on GPU with INT8 # model = WhisperModel(model_dir, device="cuda", compute_type="int8_float16") # or run on CPU with INT8 # model = WhisperModel(model_dir, device="cpu", compute_type="int8") # 2. 配置VAD参数（异常检测核心） vad_options = { "threshold": 0.9, "min_speech_duration_ms": 100, "max_speech_duration_s": 5 } def transcribe(audio_path: str): # 下载远程音频到本地 segments, info = model.transcribe(audio_path,beam_size=5, length_penalty=0.5, # 鼓励更短文本 suppress_tokens=[], # 不抑制任何标点（保留默认标点） word_timestamps=True, no_speech_threshold=0.8, # 更严格的无语音判断 compression_ratio_threshold=2.6, # 更高的压缩率阈值 log_prob_threshold=-0.8, # 更高的日志概率要求 vad_filter=True, # 启用VAD过滤 vad_parameters=vad_options # 应用自定义参数 ) print("Detected language '%s' with probability %f" % (info.language, info.language_probability)) # 关键：将迭代器转换为列表，避免后续遍历耗尽 # 转换为只包含start、end、text字段的字典列表 segments_list = [ { "id": segment.id, "start": segment.start, "end": segment.end, "text": segment.text } for segment in segments ] # 打印处理后的片段信息 for seg in segments_list: print(f"[{seg['start']:.2f}s -> {seg['end']:.2f}s] {seg['text']}") return segments_list # 返回仅包含目标字段的列表 if __name__ == '__main__': transcribe("D:\\dev\\workspace\\python\\chatterbox\\simple_sep_results\\vocals.wav")

文字内容基本和原始音频一致，除了个别的背景干扰音识别失败之外。

不管是linux还是windows环境，使用float16量化，1分钟的音频基本在2~3秒可以返回结果。

结果截图：

如果不设置vad的话，上面的时间都是连贯的，上一句的end和下一句的start是没有间隔的。

由于我们要求的精度高一些，就调整了vad设置。

vad设置可以参考这篇文章：

https://blog.ZEEKLOG.net/gitblog_00911/article/details/151477552

https://github.com/CheshireCC/faster-whisper-GUI/blob/main/%E5%8F%82%E6%95%B0%E8%AF%B4%E6%98%8E%EF%BC%9A.md

为什么快

faster-whisper is a reimplementation of OpenAI’s Whisper model using CTranslate2, which is a fast inference engine for Transformer models.

This implementation is up to 4 times faster than openai/whisper for the same accuracy while using less memory. The efficiency can be further improved with 8-bit quantization on both CPU and GPU.

faster-whisper是使用CTranslate2对OpenAI的Whisper模型进行的重新实现，CTranslate2是Transformer模型的快速推理引擎。
在保持相同准确率的同时，此实现比openai/whisper快达4倍，且占用内存更少。若在CPU和GPU上均采用8位量化，则效率可进一步提升。

CTranslate2之所以高效快速，主要源于其针对 Transformer 模型推理场景的深度优化，结合了硬件适配、执行策略和架构设计等多方面的改进。具体原因可归纳为以下几点：

1. 针对性的执行优化技术

CTranslate2 实现了多种高级优化技术，直接提升计算效率：

层融合（Layer Fusion）：将多个连续的计算层（如注意力层、前馈网络层）合并为单次操作，减少层间数据传输和内存访问开销。
移除填充（Padding Removal）：在处理批次数据时，去除输入序列中的填充（padding） tokens，避免无效计算，提高计算密度。
批次重排序（Batch Reordering）：对输入批次按长度或其他特征重新排序，使计算更高效（如减少内存碎片化、提高缓存利用率）。
原地操作（In-place Operations）：尽量在原有内存空间中执行计算，减少不必要的内存分配和拷贝。
缓存机制（Caching Mechanism）：对频繁使用的中间结果或参数进行缓存，避免重复计算或加载。

2. 量化与低精度计算支持

通过支持多种低精度数据类型，在保证精度损失最小的前提下大幅提升计算速度：

支持 FP16（16 位浮点数）、BF16（16 位脑浮点数）、INT16（16 位整数）、INT8（8 位整数）甚至 INT4（4 位整数，AWQ 量化）等格式。
低精度计算不仅减少内存带宽占用（数据传输更快），还能提高硬件计算单元的利用率（如 GPU 对 INT8 的计算吞吐量远高于 FP32）。
量化后的模型体积更小（最多可缩小 4 倍），加载和访问速度更快。

3. 硬件适配与自动优化

多 CPU 架构支持：针对 x86-64 和 AArch64/ARM64 等主流架构，集成了多个硬件优化后端，如 Intel MKL、oneDNN、OpenBLAS、Ruy、Apple Accelerate 等，充分利用硬件特性。
自动指令集调度：单个二进制文件可包含多种指令集（如 AVX、AVX2）和后端，运行时根据 CPU 型号自动选择最优方案，无需手动配置。
GPU 高效利用：支持 CUDA 等 GPU 加速，结合量化（如 INT8 + FP16 混合精度）进一步提升 GPU 计算效率，减少显存占用。

4. 并行与异步执行

多批次并行处理：支持多 GPU 或 CPU 核心并行处理多个批次，提高硬件资源利用率。
异步执行：通过异步接口（如 translate_batch_async）允许在等待当前批次计算时预处理下一批次，减少空闲时间，提升吞吐量。

5. 动态内存管理

采用缓存分配器（CPU 和 GPU 均支持），根据输入请求大小动态调整内存使用，避免过度分配或频繁内存申请 / 释放，平衡性能与内存开销。

6. 轻量架构与框架无关性

与原始 CTranslate 相比，CTranslate2 移除了对 LuaTorch 等 deprecated 框架的依赖，核心逻辑与具体深度学习框架解耦，仅在模型转换阶段处理框架相关逻辑，减少运行时冗余。
延迟调用外部库（如 Intel MKL、cuBLAS），避免依赖库的复杂逻辑对执行效率的影响，专注于核心推理优化。

实测数据佐证

从官方 benchmarks 来看，CTranslate2 在相同硬件上的性能显著优于通用深度学习框架（如 TensorFlow、PyTorch）和其他专用工具（如 Marian）：

CPU 上：相比 OpenNMT-py（PyTorch），INT8 量化下的 CTranslate2 tokens 处理速度提升约 3 倍，内存占用减少 75%。
GPU 上：相比 FP32 精度，INT8 + FP16 混合精度下的 tokens 处理速度提升约 1.4 倍，显存占用降低 30% 以上。

综上，CTranslate2 通过 “算法优化 - 硬件适配 - 资源管理” 的全链路设计，实现了 Transformer 模型推理的高效执行，尤其适合生产环境中的高性能需求。