国内开发者整合的语音转字幕神器

因为国内禁了HuggingFace，所以我最近在部署fast-whisper-web时遇到了麻烦。转而找到了一个国内开发者CheshireCC整合的开源项目：faster-whisper-GUI。

不得不说：虽然很多技术源头来自国外开发，但国内开发者却能把这些技术整合出花样来。faster-whisper-GUI就把Demucs、fast-whisper、whisperX这三个项目整合到了一起。你不得不说作者很有创意：为了减少人声转字幕背景音的干扰，直接把人声提取工具Demucs也整合进来了。语音转文字则使用的是whisper的衍生项目faster-whisper，提取速度更快对显卡的要求更低。最终字幕输出则用到了whisperX。

在使用faster-whisper-GUI前要切换到模型页面，加载faster-whisper模型。作者直接推荐用large模型进行处理，我用RTX2060S测试了一下，速度还是挺快的，所以中端显卡即使用large模型也不用担心速度。

然后切换回主界面，如果你想对音频做一个人声分离再处理，可以用到Demucs，事实上faster-whisper在这一块做的已经足够好，直接进入faster-whisper进行语音转字幕即可。

在转写时模型可自动识别语言类型，但是还是建议提前在fast-whisper的参数页选择好语种。

然后运行转写就可以看到语音识别出台词了（不知道大家看台词能不能猜出我用的案例是哪部电影）。

处理完后会切换到WhisperX进行字幕输出，通过WhisperX可以对输出的文件类型和编码等进行设置，然后就可以导出字幕或者文本文件了。

faster-whisper-GUI其实是一个整合项目，整合了faster-whisper0.9、whisperX3.1.1、Demucs4.0。

虽然我一般更偏向于用原生项目，毕竟原生项目更新更及时，而整合项目毕竟容易有烂尾风险。但是在HuggingFace被禁的大背景下，一些整合项目不仅实用也是大家最省事的解决方案。

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～