当前位置：首页 > news >正文

不联网也能出字幕：faster-whisper-GUI 离线语音转文字完整上手路径

news 2026/8/13 14:11:06

不联网也能出字幕：faster-whisper-GUI 离线语音转文字完整上手路径

【免费下载链接】faster-whisper-GUIfaster_whisper GUI with PySide6项目地址: https://gitcode.com/gh_mirrors/fa/faster-whisper-GUI

剪辑师阿远接到一份急活：40 分钟采访要出带时间戳的字幕，手动对到半夜还没做完。同事递来一个不联网的小工具，半小时后，一份 SRT 文件就躺在了桌面上。

faster-whisper-GUI 是一款基于 PySide6 的离线语音转文字软件：把音频或视频拖进窗口，识别、对齐、导出全部在本地完成，免费开源，敏感录音从头到尾不会离开你的电脑。

先对号入座：这个工具适合你吗

读下去之前，先花十秒看看下面三个问题，任何一个答"是"，都值得继续。

你是视频创作者或字幕新手？——你常常要把采访、讲座、课程变成带时间码的字幕，却不想一句句手敲？
你是学生或上班族？——你手里攒着一堆课堂录音、会议录音，只想快速变成能搜索、能复制的文字稿？
你处理的是敏感内容？——比如医疗、法律、内部会议，你希望转写全程在本地进行，一个字都不上传云端？

三个问题都摇头的话，这篇可能帮不上忙；但只要命中一条，接下来的几分钟能帮你省下几十个小时。

从下载到第一次出字幕：最小上手路径

先把软件跑起来，配置细节后面再说。你需要一个 Python 3.8 以上的环境，然后执行三条命令：

git clone https://gitcode.com/gh_mirrors/fa/faster-whisper-GUI cd faster-whisper-GUI pip install -r requirements.txt

依赖装好后，启动图形界面：

python FasterWhisperGUI.py

窗口出现后，左侧是一排功能导航，右侧是操作区。第一次运行会提示你选择或下载模型——建议先选最小的tiny把流程跑通，确认能出字幕了，再回头换大模型。

跟着一个真实任务走一遍：把 1 小时会议录音变成带说话人的字幕

假设你刚开完一场 1 小时的周会，手上有录音 MP3，想要一份"每句话都带时间戳、并且标出是谁说的"的字幕文件。全程大概是下面这几步。

第一步：把文件拖进窗口

在主页面找到文件列表区域，把 MP3 直接拖进去。一次拖入十几个文件也没问题；不小心拖了图片进来，软件会自动过滤掉不含音轨的文件。列表顶部还会显示每个文件的采样率、声道等基本信息，方便你提前确认格式。

第二步：选模型，这是全流程最关键的一次选择

模型参数页是决定效果的分水岭。模型从小到大依次是tiny、base、small、medium、large-v3，越大越准、越慢、越吃内存。

这里的决策逻辑很简单：先问自己"这台机器有没有 NVIDIA 显卡"。有显卡，就选cuda设备、float16精度，可以放心上medium甚至large-v3；只有 CPU，就选cpu设备、int8精度，从small起步。

软件内置了模型下载和格式转换功能，可以把 OpenAI 官方模型转成 CTranslate2 格式，也支持直接指定本地模型目录，方便在完全离线的环境里使用。

第三步：设置转写参数

转写参数页里，语言选择"自动检测"，软件会先分析前 30 秒音频判断语种；如果你的录音是标准普通话，直接指定zh会更快更稳。分块大小设为 15~20 秒，温度保持默认即可。打开 VAD 过滤，它能跳过开头结尾的静音和空档，让模型只把力气花在有人说话的部分。

第四步：执行转写，检查结果表格

点击"开始"后，右侧会实时滚动识别进度。跑完后结果出现在表格里，每一行是一句字幕，含开始时间、结束时间、文本。发现哪句识别错了，直接双击单元格修改；时间轴整体偏移了，可以选中多行统一前移或后移，不用逐句去改。

第五步：用 WhisperX 补上对齐和说话人

这一步是这个工具真正的加分项。如果你希望字幕和画面严格同步，或者想区分"谁说了什么"，打开 WhisperX 标签页，依次做两件事：

时间戳对齐：用强制对齐模型重新校准每一句的时间码，误差能压到 0.1 秒以内，字幕不会忽快忽慢；
说话人识别：按声纹把整段音频分成不同说话人，给每一句打上 speaker 标签，会议记录立刻变成角色分明的剧本。

第六步：导出成你要的格式

结果页右侧可以一键导出。常规字幕用SRT，网页播放用VTT，纯文字笔记用TXT，歌词软件用LRC，还支持SMI、ASS和JSON。如果勾选了词级时间戳，LRC 甚至能做出逐字滚动的卡拉 OK 效果。

决定转写效果的 5 个关键旋钮

参数很多，但真正影响最终效果的就那么几个，把这几个调明白就够了。

模型大小：准确率的底线。它决定效果上限。CPU 上从small起步，GPU 上直接上medium或large-v3；只是想快速试听、验证流程，tiny就够。

温度：管"幻觉"的旋钮。温度越高，模型越敢自由发挥，也越容易在静音段落"脑补"出根本不存在的台词。正式内容建议 0.2~0.3，宁可少说不可乱说；处理创意内容想保留更丰富的措辞，再往 0.5~0.7 方向调。

VAD 过滤：先切掉静音再识别。开启后模型只在有语音的片段上工作，转写速度提升，幻觉也大幅减少。阈值默认 0.5 适合大多数录音，背景噪音大的会议可以适当调高。

分块大小：速度与稳定的平衡点。每块 10~20 秒最稳。太小会导致上下文不足、断句奇怪；太大会让内存压力上升，长段落出错后整块重来。

是否翻译为英语。勾上之后，任务从"转写"变成"翻译"，非英语内容会直接输出英文。它是任务层面的开关，不是微调参数，按需使用。

三个翻车现场与急救手册

翻车现场一：转写出了一堆重复的句子。常见于长音频，模型在某个窗口里陷入循环。修复方法：把分块调小到 15 秒以内，并关闭"以上文为上下文"的选项，让每个窗口独立解码。代价是相邻句子的衔接可能没那么流畅，但不会再卡死重复。

翻车现场二：字幕时间轴和画面对不上。尤其是语速快、停顿多的内容。修复方法：先在 WhisperX 里跑一次时间戳对齐，再看结果表格里的起止时间；如果整体偏移一个固定值，选中全部行用工具栏统一前移或后移即可。

翻车现场三：内存被吃满，转写到一半卡死。多半是模型太大、分块又太长。急救顺序：换成int8精度 → 分块降到 10 秒 → 换小一号的模型 → 说话人识别这类重功能放到最后单独跑，别和转写同时开。

翻车现场四：背景音乐太响，人声识别全乱。这种情况不要硬调参数，先把音频交给 Demucs 分离：它能把人声和伴奏拆成独立音轨，再用干净的人声去转写，准确率立刻上一个台阶。

把它接进你的工作流：效率组合拳

单独用是一个好工具，接进现有流程才是它真正省时间的地方。

剪辑流水线。视频粗剪完成后，用本工具导出 SRT，再交给剪辑软件按字幕轨道精剪。对采访类内容，这套流程能砍掉一半以上的对轴时间。

多文件批处理。把一周攒下的十几条录音一次性拖进列表，参数配好点一次"开始"，让它排队跑完，人去做别的事。建议给每个文件单独建一个输出文件夹，结果不会互相覆盖。

先分离、再转写、后整理。对付嘈杂录音的标准三步：Demucs 分离人声 → faster-whisper 转写 → WhisperX 对齐加说话人。三个功能在同一个界面里串起来，中间不需要任何文件搬运。

关于参数细节，官方文档有逐项说明：参数手册见参数说明：.md，转写核心逻辑在faster_whisper_GUI/transcribe.py，WhisperX 增强逻辑在faster_whisper_GUI/whisper_x.py，音频分离在faster_whisper_GUI/de_mucs.py。