FasterWhisperGUI(音频处理工具) v0.8.0 安装免费版

软件介绍

FasterWhisperGUI是一款基于fast_whisper开发的图形界面工具，专为音视频转录设计。它支持多种输出格式，并集成了多种AI模型，适合需要高效处理语音转文字任务的用户。

FasterWhisperGUI功能详解

这款软件采用PySide6框架开发，能够将音频或视频内容转换成srt、txt、smi等多种字幕格式。它不仅能转换OpenAI-whisper模型为ct2格式，还提供了VAD模型和完整的whisper参数设置，兼容whisperX、Demucs以及最新的whisper large-v3模型。

提到Whisper，很多人应该不陌生。这是OpenAI开发的语音识别模型，能实现本地实时语音转文字，常用于翻译和字幕制作。之前介绍过的Constme-Whisper虽然也能离线识别语音并支持GPU加速，但这款新工具功能更全面。

faster-whisper-GUI在原有基础上增加了更多实用功能，可以轻松将音视频转换为多种字幕格式。它整合了Demucs、FastWhiper、whisperX和VAD-model等技术，可调节的参数选项也比同类工具更丰富。

需要注意的是，这类离线处理工具通常体积较大。软件安装包就有1.6GB，安装后占用空间超过6GB，这还不包括后续添加的模型文件。建议安装在剩余空间较大的磁盘分区。

处理音频分离任务时，直接把文件拖入窗口即可。测试效果令人满意，还能单独设置输出内容。

使用额外模型时要注意选择处理设备。如果不是NVIDIA显卡，建议选择自动模式，否则可能导致加载失败。

软件提供多种模型可选，使用带V3标志的模型时需要手动开启对应选项。

V3模型需要特别注意开启相应开关。

语音转文字功能支持后台运行，处理时间较长时可以切换到其他界面。识别结果准确度较高，能正确处理中英文混排和大小写等细节。

和人工识别一样，机器转写也会存在少量错误。软件会自动跳转到字幕编辑界面，方便快速修正错误、分割不同说话人的内容。

设置选项相当丰富，可以调整默认语言、翻译参数，还能设置防止幻听的各种阈值。

类似功能在其他视频编辑软件中通常需要付费或依赖云端服务，识别效果也不见得更好。

版本更新记录

0.8.0版本主要更新内容：

修复了赞助渠道缺失的问题 #126

将faster-whisper升级至1.02版

新增对distil-large-v3模型在线模式的支持 #130

Distil-Whisper模型distil-large-v3专为配合OpenAI顺序算法设计

支持初始化更多whisper模型参数

音频处理设置

max_new_tokens: 限制每个区块生成的新令牌数量，未设置时使用默认max_size值

chunk_length: 自定义音频段长度，会覆盖FeatureExtractor的默认chunk_size

clip_timestamps: 设置需要处理的音频时间段，格式为"开始,结束,开始,结束..."

幻听抑制参数

hallucination_silence_threshold: 启用word_timestamps时，跳过超过该阈值的静音段

其他配置

hotwords: 输入提示词来引导模型，如"the video is about comfyUI"

常规设置

language_detection_threshold: 语言标记概率超过该值时判定为检测到语言

language_detection_segments: 语言检测需要分析的分段数量

更多新特性详见：https://github.com/SYSTRAN/faster-whisper/releases/tag/v1.0.2

修复了字幕复制功能的bug

优化了部分界面文字

暂时禁用了转写参数页面的参数保存/读取功能

调整了起止时间和说话人列的显示位置

升级pytorch至2.3.0版本，支持CUDA12

使用注意事项

安装新版本前需完全卸载旧版（可保留cache文件夹）

需要预先安装ffmpeg

使用V3模型时若出现显存溢出，建议更新显卡驱动或回退到稳定版本