卧槽，本地语音转文字这事，tiny 模型就够了，base 纯属浪费电。 上周在 2 核云主机亲手跑了 faster-whisper（Systran 的 CT… · @ReignSwords · TwKit

@ReignSwords

卧槽，本地语音转文字这事，tiny 模型就够了，base 纯属浪费电。 上周在 2 核云主机亲手跑了 faster-whisper（Systran 的 CTranslate2 版，不用装 torch）。同一段 42.3 秒英文音频，tiny 和 base 各跑两遍： tiny：75MB，加载 0.7 秒，转写 2.4 秒，17.6 倍实时，131 词错 5 个 base：145MB，加载 1.6 秒，转写 3.8 秒，11.1 倍实时，131 词错 4 个 多花 60% 时间，就少错 1 个词。1.5 倍速丢进去准确率一分没掉。干净人声直接 tiny，别纠结。 骂点：4 轮测试 "cache invalidation" 全被听成 "cash and validation"，程序员黑话是真盲区。数字倒是全对，"three thousand four hundred and twelve" 直接写成 3,412。 账：whisper-1 是 0.006 美元/分钟，100 小时/月就是 36 美元；本地跑 0 元。关键 whisper-1 官方宣布 2027 年 2 月 26 日下线，云端那条路本身在关门。 可抄走的三行，存好： pip install faster-whisper from faster_whisper import WhisperModel model = WhisperModel("tiny", device="cpu", compute_type="int8") 做 AI/科技内容的蓝V朋友欢迎互关。转写这事我是真觉得 API 的钱纯属智商税，用过的来说说，我说错了没 👇 🔵 蓝V互关 | Fellow Premium members, let's connect! 欢迎互关，一起交流 AI 与科技 👥

曝光 58 · 评论 7 · 点赞 0 · 书签 0