faster-whisper

github.com/SYSTRAN/faster-whisper · 语音 · 开源自建 · 开源免费 · 自建即离线

Whisper 的高效实现：同精度下快数倍、显存占用更低，批量转写的实际选择。

短板：要自己写服务层和队列；GPU 环境配不好会比原版还慢。

桌面端 · 抓图于 2026-11

访问站点 ↗

转写开源本地部署批量处理

配套 skill：批量转写录音，并把错误率测出来

手上一批访谈/会议录音要转文字，要能说清「转得准不准」，而不是转完就交。
可以复制成 batch-transcribe-and-check/SKILL.md 放进 Claude Code，或作为 AGENTS.md 交给 Codex。

1. 先用中号模型跑那 3 段样本，人工对比逐句差异，记下错误类型（专有名词/数字/口音/重叠说话）。
2. 按错误类型决定要不要上更大模型——如果错的全是人名和缩写，加大模型没用，得加术语表或后处理。
3. 批量跑时开 VAD 切分，长音频不要整段喂，否则容易在沉默段产生幻觉文本。
4. 输出要带时间戳与说话人分段（如果可以），否则后期的录音没法回查。
5. 随机抽 10 段人工校对，把错误率写进交付说明——不写错误率的转写结果等于没验收。

同样用来「语音」的其它选择

• Whisper — 语音转文字的事实标准，中文识别准，本地跑不联网，做会议和访谈转写先看它。
• ElevenLabs — 最像人的语音合成，多语言配音和声音克隆质量在第一档，做有声内容直接可用。
• 通义听悟 — 会议录音转写，自动出摘要、待办和发言人分离，中文会议场景最省事的一个。

← 全部 155 个工具 · 自建选型矩阵 · 痛点专题