Whisper JAX 超快语音识别转录加速工具下载 最新版

Whisper JAX 是给 OpenAI 那个大火但跑起来慢吞吞的 Whisper 语音识别模型“打鸡血”的加速版。

原版 Whisper 在普通电脑 CPU 上处理长音频能等到睡着，这项目利用 Google 的 JAX 框架把计算逻辑重写并优化了一遍，特别是在 GPU 和 TPU 上，速度能直接飙升几十倍。对于需要批量处理会议录音、播客或者视频字幕的开发者来说，这算是目前的效率天花板。

【功能特点】

1、极致加速：利用 JAX 的 XLA 编译器，推理速度比原版快 10 到 70 倍

2、流式处理：支持实时音频流输入，边录边转，延迟极低

3、多语言通吃：中文、英文、日语等近百种语言自动识别，方言和口音也能猜个大概

4、时间戳精准：能输出逐字级别的精确时间戳，方便后期直接对齐 SRT 字幕

5、开源免费：代码全公开，随便改随便跑，没有授权费和限制

【使用感受】

说实话，这玩意儿跑起来的速度确实吓人。拿一段一小时的中文播客测试，原版 Whisper 在 3090 显卡上跑了快五分钟，用 JAX 版不到十秒就出结果了，而且文字准确率几乎没差。

但别被“开源免费”四个字骗了以为下载就能双击运行。这根本不是一个带界面的软件，而是一堆 Python 脚本和依赖库。你得自己配虚拟环境、装 JAX、装 CUDA，在命令行里敲一堆参数才能跑。对不懂代码的小白来说，门槛高得离谱，劝退率百分之九十九。

另外它对硬件极其挑食。虽然能在 CPU 上跑，但根本体现不出加速优势，甚至可能更慢。最好得有 NVIDIA 显卡，或者能白嫖到 Google Colab/TPU 的环境。显存不够的话，跑长音频直接 OOM 爆掉，毫不留情。

【更新日志】

v2024.08 更新内容：

· 跟着 OpenAI 的 Whisper v3 大模型更新了底层权重

· 修了处理超长音频(超过 30 分钟)时显存泄漏的毛病

· 优化了中文时间戳的对齐逻辑，现在断句和标点更准了

· 适配了最新的 JAX 0.4.x 版本，环境配置少踩几个坑

· 也就是常规跟新，作者主要精力都在修兼容性和压榨速度上

PS：强烈建议直接丢到 Google Colab 或者 Kaggle 的免费环境里跑，自己本地配环境容易掉头发。另外，跑长视频记得把 batch_size 参数调小点，不然 8G 显存秒炸。如果是纯个人用、不想折腾代码，直接去下 Whisper-Desktop 或者剪映一键字幕，别跟自己过不去。