faster-whisper-GUI 完整使用指南：离线语音转文字从安装到说话人识别

faster-whisper-GUI 完整使用指南：离线语音转文字从安装到说话人识别

【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

下午三点，会议室刚散场，我把一段 47 分钟的访谈录音拖进窗口。勾选 VAD 过滤、选好 medium 模型、打开 WhisperX 说话人识别，十几分钟后桌面上多了一份带人名标签、带时间戳的 SRT 文稿。整个过程中音频没有离开本地，也没有走任何云端识别接口。这就是 faster-whisper-GUI 的日常：一款用 PySide6 写成的免费离线语音转文字桌面工具，当前版本 0.8.0。

它到底是什么

faster-whisper-GUI 是 faster-whisper 的图形化前端，并把 WhisperX（词级时间戳对齐、说话人识别）和 Demucs（人声分离）整合进同一套界面。它解决一件很具体的事：把本地的音频、视频文件批量转成带时间戳的字幕或文稿，同时把 faster-whisper 暴露的参数几乎全部摆到面板上——不写代码也能调到模型内部。

和同类工具相比，三个特点值得记住：

• 参数全：VAD、beam、温度、热词、词级时间戳，界面上都能改；
• 引擎多：faster-whisper 负责转写，WhisperX 负责对齐与分人，Demucs 负责降噪分离；
• 输出杂食：SRT、VTT、TXT、LRC、SMI、ASS、JSON 七种格式，中文场景还能选 GBK 或 UTF-8 编码。

三步跑通第一次转写

环境只需要 Python 3 和一台能跑 torch 的机器，三步即可看到结果：

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

启动后先到模型页下载模型。tiny、base、small、medium、large-v1/v2/v3 都在列表里，还附带了 distil 蒸馏版；软件内置了模型下载与格式转换，不需要手动去 HuggingFace 翻目录。第一次建议选 small 或 medium：速度与准确率均衡，也方便你熟悉界面。设备按硬件选 cuda 或 cpu，计算精度用 float16（GPU）或 int8（CPU）。

能力拆解：按你的目标选配置

与其按界面顺序介绍模块，不如反过来——你想得到什么结果，就用对应的那组参数。

想要更准，先看两个地方。一是模型，large-v3 是当前列表里准确率的上限，英文内容用带.en后缀的模型更稳。二是温度和热词：temperature 调到 0.2~0.3，能明显减少重复和编造式的"幻听"；如果人名、产品名经常被认错，把热词（hotwords）填进文本框，识别会立刻改善。语言尽量手动指定（简体中文选 zhs），自动检测会牺牲开头 30 秒的准确性。

想要更快，策略是换小模型、压精度、开 VAD。tiny/base 或 distil 系列最快；GPU 选 float16，CPU 选 int8，再把 CPU 线程数调高。VAD 过滤基于 Silero VAD，会跳过静音段，对播客、访谈这类有停顿的录音能省下不少处理时间；不需要逐词对齐时，关掉词级时间戳也能提速。

想要更省心，用批量与文件管理。多个文件可以拖进列表一起转，非音视频文件会被自动过滤；输出格式、编码、保存目录一次设好，剩下就是排队等待。开着词级时间戳导出 LRC，可以直接当卡拉 OK 歌词用（配合 foobar2000 的 ESLyric 插件）。字幕编码选 UTF-8 BOM 或 GBK，在 Windows 播放器里更不容易乱码。

想区分说话人，这是 WhisX 的主场（项目内置 WhisperX 3.1.1）。勾选 WhisperX 后，引擎先做词级时间戳对齐，再做说话人分离，结果里每句话带独立的说话人标签和时间段，适合会议纪要、访谈整理。结果页可以直接看到对齐后的时间轴，并手工修正时间戳。

音频太吵怎么办：转写前先用 Demucs 分离。它能把人声从音乐里单独提出来，也可分 Bass、Drums、Other 等音轨，参数页提供采样重叠度、分段长度与输出音轨选项。处理完再喂给转写引擎，嘈杂环境的识别率提升肉眼可见。

一个可以照做的完整工作流：一小时例会变会议纪要

目标：把 60 分钟的周会录音转成带说话人标签的 SRT，供复盘使用。

1. 准备：模型页选 medium（机器跑得动就上 large-v3），设备 cuda、精度 float16；模型下载只需首次联网，之后全程离线。
2. 执行：把录音拖进文件列表，语言选 zhs，任务选 transcribe，打开 VAD 过滤和词级时间戳，chunk_length 保持在 15 秒上下。
3. 调整：转完发现人名有误，在热词里补上这些词重跑；如果静音段被编造内容填充，把 temperature 降到 0.2，并打开 hallucination_silence_threshold。
4. 产出：勾选 WhisperX 说话人识别重新生成，在结果页检查时间戳，导出 SRT。转写耗时取决于模型与硬件，建议先用 5 分钟片段试跑定参数，再整段提交。

快问快答

没有 GPU 能用吗？能。选 cpu + int8，medium 以下模型尚可接受，只是慢。内存建议 8GB 起步。

模型下载失败怎么办？模型页内置了下载与转换功能；也可以把模型文件提前放进下载目录，勾选 local_files_only 离线加载，绕开网络问题。

结果里为什么有重复和"幻听"？多半是温度偏高或静音段过长。把 temperature 降到 0.2~0.3，打开 VAD 和 hallucination_silence_threshold，通常能压下去。

VAD 什么时候该关？当你用 clip_timestamps 指定只转某一段时，VAD 会被忽略；音乐类音频也建议关闭，避免把旋律误判为静音。

能实时转写吗？项目里带有麦克风采集与流式转写的工作线程，适合边录边出文本的轻量场景。

接下来可以做什么

想深入调参，项目根目录的《参数说明：.md》把转写、VAD、模型三层参数逐一列出，是最完整的说明书；faster_whisper_GUI/config.py 里可以改默认语言表、模型列表、字幕格式与主题色。建议的下一步：挑一段 5~10 分钟的录音，按上面的工作流完整跑一遍，再回头调温度、热词和 VAD 这三个旋钮。跑通一次你就会发现，多数会议、课程和访谈的整理，其实不需要依赖任何在线服务。

【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