faster-whisper

Whisper-Reimplementierung auf CTranslate2: gleiches Ergebnis, deutlich schneller und speicherschonender. Basis vieler Transkriptions-Apps.

So nutzt du es

Am einfachsten per Ollama: ollama pull <modellname> und dann ollama run <modellname> — oder komfortabel mit LM Studio (grafische Oberfläche, Modell-Suche eingebaut). Die Hardware-Angaben unten beziehen sich auf die übliche 4-Bit-Quantisierung (Q4).

Größen & Hardware

• Verfügbare Größen: nutzt Whisper-Gewichte
• Empfohlene Hardware (Q4): wie Whisper, aber ~4× schneller

Im Detail

faster-whisper ist keine neue Modellfamilie, sondern eine Neuimplementierung der Whisper-Inferenz auf Basis von CTranslate2. Die Gewichte bleiben identisch zu OpenAIs Whisper, aber durch Optimierungen bei Quantisierung und Ausführung läuft die Transkription etwa viermal schneller bei deutlich geringerem Speicherbedarf. Deshalb setzen viele Transkriptions-Apps und -Tools inzwischen intern auf faster-whisper statt auf das Original. Wer Audio oder Video in Text umwandeln will — Interviews, Meetings, Untertitel — bekommt hier die praktisch schnellste Variante, ohne bei der Genauigkeit Abstriche zu machen.

Praxis-Tipp

Für lange Aufnahmen die int8-Quantisierung nutzen — spart weiter Speicher, ohne die Transkriptionsqualität merklich zu verschlechtern.

Lizenz & Quelle

• Lizenz: MIT
• Quelle: GitHub