faster-whisper 基于 CTranslate2 运行 Whisper 转写，可返回分段文本和时间位置。它适合准备采访检索与字幕初稿；正式引用和成片字幕仍应对照原声校对。
找采访里的一句话，最费时间的常常是反复拖进度条。我会先要一份带时间位置的文字，找到大概段落，再回去听语气、看表情。
faster-whisper 是基于 Whisper 的语音转写库，支持输出分段文字与时间信息，也有词级时间戳选项。使用方式见 SYSTRAN 项目说明。
文字先帮忙找位置
采访和长口播可以先转写，再按话题整理。看文字时，我会标出能独立讲清一件事的段落；真正决定留不留，还是要回到视频。
一句话在纸上读着完整，现场说出来可能犹豫、带笑，或在回答前面一个问题。只按文字剪，会丢掉这些关系。
字幕还要再过一遍
品牌名、产品型号、人名和数字，我会对照资料逐项看。有人说话很轻、两个人重叠讲话，或背景音乐比较响的地方，要回听原音。
转写出的长句也不适合直接铺到画面上。字幕要按语意断开，留出阅读时间，再检查有没有挡住产品和人物。
使用前知道这件事
它是需要配置的 Python 工具，并非打开网页就能上传文件的字幕应用。选择模型和运行方式，要结合音频长度和电脑条件。拿到文字稿之后，建议保留对应的音视频文件，让每一条修改都能找到原来的位置。
先建立能回到原声的转写记录
保留原音频文件名、转写模型、语言设置、处理版本及分段时间。校对发现错误时，回到同一段原声，不仅凭文字上下文猜测。
优先复核人物姓名、品牌型号、数字、单位、否定词和中英文混读。自动文字在这些位置出现很小的差异，也可能改变一句话的意思。
转写文字与可交付字幕之间还有哪些工作
字幕需要重新考虑断句、阅读节奏、屏幕位置和画面遮挡。分段转写时间可帮助定位，但不能直接视为每条字幕的最终入出点。多人说话时，还需要单独核对发言归属。
假设采访中一句话被剪成两段，字幕必须跟随最终剪辑检查，而不能继续沿用未经调整的原素材时间。把原转写保留为检索依据，把成片字幕作为独立交付版本。
运行环境与资料边界
CPU、GPU、精度设置和模型会影响运行表现。安装前按官方项目说明核对依赖，本页不承诺固定速度或准确率。
确认本地模型及依赖是否齐备，再判断运行中是否需要联网。对于有噪声的采访，可以先评估DeepFilterNet，但处理后的结果仍需与原声对照，不能让降噪改变原话。
资料来源与复核日期
资料核对：2026-09-22。软件安装和版本支持以官方说明为准。