Faster-Whisper 本地实时语音识别部署实战

Faster-Whisper 本地实时语音识别部署实战

要实现类似微信或豆包的语音输入功能，通常有两种主流方案：云端 API（轻量、准确度高）和本地模型（免费、隐私保护、无需联网）。对于需要集成语音识别且对数据隐私有要求的系统，本地部署是更好的选择。这里记录一下使用 Faster-Whisper 实现实时语音转文本的完整流程。

一、环境安装

首先需要在虚拟环境中安装核心依赖。推荐使用 Python 3.8+ 环境。

pip install faster-whisper pyaudio

注意：原教程中提到的 pyaudiowpatch 并非标准库，建议直接使用标准的 pyaudio 包，兼容性更好。

如果电脑有独立显卡，建议提前配置好 CUDA 和 cuDNN 环境以加速推理。具体安装步骤可参考 NVIDIA 官方文档或社区通用教程。

二、模型下载与配置

1. 模型选择

Faster-Whisper 支持多种大小的模型，根据硬件性能选择即可：

• Tiny / Base: 速度最快，适合低配设备。
• Small / Medium: 平衡速度与精度。
• Large-v2 / Large-v3: 效果最好，但需要较强算力。
• Distil-Large-v3: 蒸馏版，速度快且效果接近原版。

可以通过 Hugging Face 手动下载模型文件（如 config.json, model.bin, tokenizer.json 等），放入指定文件夹离线使用。当然，首次运行脚本时也可以让代码自动从 Hugging Face 下载。

2. 实时录音转文本脚本

下面是一个完整的 Python 脚本示例，实现了持续录音、切片处理及实时转录。代码中使用了多线程来避免录音阻塞，并集成了 VAD（语音活动检测）过滤静音片段。

# -*- coding: utf-8 -*-
import os
import sys
import time
import wave
import tempfile
import threading
import torch
import pyaudio
from faster_whisper import WhisperModel

# 录音切片时长（秒）
AUDIO_BUFFER = 5

def record_audio(p, device):
    """创建临时文件进行录音"""
    with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as f:
        filename = f.name
        wave_file = wave.open(filename, )
        wave_file.setnchannels((device[]))
        wave_file.setsampwidth(p.get_sample_size(pyaudio.paInt16))
        wave_file.setframerate((device[]))

         ():
            wave_file.writeframes(in_data)
             (in_data, pyaudio.paContinue)

        :
            stream = p.(
                =pyaudio.paInt16,
                channels=(device[]),
                rate=(device[]),
                frames_per_buffer=,
                =,
                input_device_index=device[],
                stream_callback=callback,
            )
            stream.start_stream()
            time.sleep(AUDIO_BUFFER)
         Exception  e:
            ()
        :
               ():
                stream.stop_stream()
                stream.close()
            wave_file.close()
     filename

 ():
    
    :
        
        segments, info = model.transcribe(
            filename,
            beam_size=,
            language=,
            vad_filter=,
            vad_parameters=(min_silence_duration_ms=)
        )
         segment  segments:
            ( % (segment.start, segment.end, segment.text))
     Exception  e:
        ()
    :
        
         os.path.exists(filename):
            os.remove(filename)

 ():
    ()
    
     torch.cuda.is_available():
        device = 
        compute_type =   
        ()
    :
        device = 
        compute_type =   
        ()

    
    model_path = 
    :
        model = WhisperModel(model_path, device=device, compute_type=compute_type, local_files_only=)
        ()
     Exception  e:
        ()
        

     pyaudio.PyAudio()  p:
        :
            default_mic = p.get_default_input_device_info()
            ()
            ()
            ( * )
            ()
             :
                filename = record_audio(p, default_mic)
                thread = threading.Thread(target=whisper_audio, args=(filename, model))
                thread.start()
         OSError:
            ()
         KeyboardInterrupt:
            ()
         Exception  e:
            ()

 __name__ == :
    main()