一款名为 Insanely Fast Whisper 的开源音频转录工具，将 OpenAI Whisper 的处理速度提升了高达 19 倍。具体来说，一段 2.5 小时的录音，原本需要 31 分钟才能完成转写，现在只需 98 秒便可得到结果。这种性能跨越已不止是优化，更像是彻底更换了技术路径。

请注意，它既不是套壳的网页应用，也不依赖云端 API。这是一个直接调用本地 GPU 的命令行工具，完全开源，甚至无需准备 API Key。对于需要高频处理音频、同时不愿将数据上传至外部服务器的用户而言，该工具相当于把控制权重新交还到了自己手中。

技术核心：Flash Attention 2 带来的质变

Insanely Fast Whisper 之所以能达到如此夸张的速度，核心在于它集成了 Flash Attention 2 技术。这项技术的独特之处在于——模型权重与标准 Whisper 完全相同，因此转录准确度丝毫不差，但处理速度却实现了飞跃。等价替换且无质量损失，这才是真正的效率优化。

以下是一组在 NVIDIA A100 80GB 上实测的数据，可以直观感受差距：

• 标准 Whisper large-v3：处理 2.5 小时音频需要 31 分钟
• 优化后的 large-v3：仅需 1 分 38 秒
• Distil-Whisper large-v2：只需 1 分 18 秒

从半小时缩短至一分多钟，这种提升已不再是量变，而是质变。

不只是快

速度只是它的第一张王牌。在实用性方面，Insanely Fast Whisper 也做了充分准备，将多项日常高频需求整合其中：

• 多语言支持：自动识别数十种语言，也可一键指定翻译为英语。
• 说话人分离：内置声纹识别功能，可区分不同发言人的音频片段。
• 精确时间戳：提供词级和片段级时间戳，方便后期定位与剪辑。
• 跨平台兼容：NVIDIA GPU 与 Apple Silicon Mac 均可运行，无需修改代码。
• 免费运行：即使没有本地 GPU，也可在 Google Colab 免费层直接使用。

单独来看，这些功能都不算新颖，但把它们整合在一起，并保持如此高效的处理能力，就变得非常实用了。

安装使用

这是一款命令行工具，安装过程非常轻量。只需通过 pipx 安装即可使用：

pipx install insanely-fast-whisper
insanely-fast-whisper --file-name <音频文件路径或URL>

如果只想临时使用一次，甚至无需安装，直接运行 pipx run 即可：

pipx run insanely-fast-whisper

小结

有意思的是，这个项目最初只是 Hugging Face Transformers 团队内部编写的一个基准测试演示脚本。没想到社区中发现它完全能够解决实际需求，开发者顺势而为，逐步添加了用户真正需要的功能，最终成长为一个完整的命令行工具。现在社区中已经衍生出 Web 应用和 Python 包封装，生态正在逐步成型。对于经常处理大量音频素材的人来说，这个工具值得放入自己的工具箱。

地址：https://github.com/Vaibha vs10/insanely-fast-whisper