Faster-Whisper 本地实时语音识别部署指南

前言

实现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）。如果开发场景对数据隐私有要求或希望节省成本，本地部署是一个不错的选择。这里记录一下使用 Faster-Whisper 进行实时语音转文本的部署过程。

项目地址：https://github.com/SYSTRAN/faster-whisper

环境安装

在虚拟环境中安装核心依赖。注意，原教程中提到的 pyaudiowpatch 应为 pyaudio 的笔误，标准库名称如下：

pip install faster-whisper pyaudio

若需使用 GPU 加速，请确保已正确安装 CUDA 和 cuDNN。具体版本匹配建议参考 NVIDIA 官方文档。

使用步骤

1. 下载模型

支持离线使用，可将模型文件下载到指定目录。根据性能需求选择不同大小的模型：

• Tiny (最小/最快): Systran/faster-whisper-tiny
• Base: Systran/faster-whisper-base
• Small: Systran/faster-whisper-small
• Medium: Systran/faster-whisper-medium
• Large-v2: Systran/faster-whisper-large-v2
• Large-v3 (效果最好): Systran/faster-whisper-large-v3
• Distil-Large-v3 (蒸馏版/速度快): Systran/faster-distil-whisper-large-v3

从 Hugging Face 的 "Files and versions" 页面下载以下关键文件并放入同一文件夹：

• config.json
• model.bin
• tokenizer.json
• vocabulary.json
• preprocessor_config.json

2. 实时录音转文本脚本

下面是一个完整的示例脚本，实现了录音切片、调用模型转录以及多线程处理。代码中增加了设备检测和 VAD（语音活动检测）过滤，能自动去除静音片段。

# -*- 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 ():
    
     tempfile.NamedTemporaryFile(suffix=, delete=)  f:
        filename = f.name
        wave_file = wave.(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,)
        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()