🚀 在 Mac（M2）上用 faster-whisper 实现高精度中文语音转文字

本文记录我在 Mac M2（16GB）上搭建本地语音转文字方案的过程，基于 faster-whisper，实现完全离线、高精度中文语音识别。

---

🧠 一、项目目标

我希望实现一个：

• 📴 完全离线运行（无云 API）
• 🎙️ 支持 m4a / mp3 / mp4 音频
• 🇨🇳 中文识别准确率尽可能高
• 📝 自动输出结构化文本
• ⚡ 可在 Mac M2 上稳定运行

最终选择了：

👉 faster-whisper + large-v3 + CPU float32

---

📦 二、环境准备

1. 创建 Python 虚拟环境

mkdir whisper-test
cd whisper-test
python3 -m venv venv
source venv/bin/activate

---

2. 安装依赖

pip install -U faster-whisper huggingface_hub

---

📁 三、项目结构

whisper-test/
├── venv/
├── transcribe.py
└── test.m4a

---

🎯 四、核心实现（高精度版本）

下面是最终使用的转写脚本：

from faster_whisper import WhisperModel
from pathlib import Path
import time
import logging

logging.basicConfig(level=logging.INFO)

audio_file = "test.m4a"

print("开始加载模型（高精度模式）...")

# =========================
# 🔥 高精度配置（重点）
# =========================
model = WhisperModel(
    "large-v3",              # 比 turbo 更准（关键）
    device="cpu",
    compute_type="float32",  # ❗不用 int8，提高精度
    download_root="./models"
)

print("模型加载完成，开始转写...\n")

start = time.time()

segments, info = model.transcribe(
    audio_file,
    log_progress=True,

    # ===== 关键优化 =====
    language="zh",                 # 固定中文
    beam_size=10,                  # ↑ 提高搜索宽度（默认5）
    best_of=10,                    # ↑ 多候选选择
    temperature=0.0,               # ↓ 稳定输出（减少乱猜）
    condition_on_previous_text=True,  # ↑ 利用上下文（重要）

    # ===== VAD 调整 =====
    vad_filter=True,
    vad_parameters=dict(
        min_silence_duration_ms=500  # 不要切太碎
    ),

    # ===== 输出稳定性 =====
    word_timestamps=False
)

output_file = Path(audio_file).with_suffix(".txt")

print("开始输出结果：\n")

with open(output_file, "w", encoding="utf-8") as f:
    for segment in segments:
        text = segment.text.strip()
        text = text.replace(" ", "")
        if not text:
            continue

        print(text, flush=True)
        f.write(text + "\n")

print("\n识别完成！")
print(f"语言：{info.language}")
print(f"输出文件：{output_file}")
print(f"耗时：{time.time() - start:.1f} 秒")

---

🧪 五、运行方式

python transcribe.py

首次运行会自动下载模型（约 1–3GB）：

• large-v3 模型会缓存到 ./models
• 后续运行无需重新下载

---

📊 六、效果对比

配置	速度	中文准确率
small + int8	⚡ 很快	❌ 一般
large-v3-turbo + int8	⚖️ 中等	👍 较好
large-v3 + float32（推荐）	🐢 较慢	🔥 很高

---

🧠 七、关键优化说明

1️⃣ 使用 large-v3 模型

相比 turbo 版本：

• 更强语义理解
• 更适合中文长句
• 更少错词

---

2️⃣ float32 精度模式

compute_type="float32"

作用：

• 禁用量化压缩
• 提升语音边界识别能力
• 减少“听错字”

代价是：

• 速度变慢
• 内存占用增加

---

3️⃣ beam search 增强

beam_size=10
best_of=10

作用：

• 多路径解码
• 选择最优结果
• 明显提升复杂语音准确率

---

4️⃣ VAD 优化

vad_parameters={"min_silence_duration_ms": 500}

作用：

• 避免过度切分句子
• 保留语义完整性

---

5️⃣ 上下文增强

condition_on_previous_text=True

作用：

• 利用前文语境
• 提升长文本一致性

---

📝 八、输出结果

最终会生成：

test.txt

格式如下：

大家好，今天我们讨论一下项目进度。
首先来看第一部分。
然后说明当前问题。

---

🚀 九、总结

这个方案的核心思路是：

用“速度换准确率”，在本地实现接近云端级别的中文语音识别效果。

在 Mac M2 上的实际体验：

• ✔ 完全离线
• ✔ 无 API 费用
• ✔ 中文效果稳定
• ✔ 可用于会议 / 访谈 / 课程记录

---