Audiodateien lokal mit faster-whisper in Python transkribieren
Mit faster-whisper wandeln Sie Besprechungen und Diktate auf eigener Hardware in Text um, ohne die Aufnahmen an einen Cloud-Dienst zu schicken. Dieser Beitrag führt Schritt für Schritt zu einem lauffähigen Python-Skript.

Was Sie am Ende haben und was Sie brauchen
Am Ende steht ein Python-Skript, das eine Audiodatei einliest, die Sprache erkennt und den Text mit Zeitmarken ausgibt. Die Verarbeitung läuft vollständig auf Ihrem Rechner. Grundlage ist die README von faster-whisper, einer Neuimplementierung des Whisper-Modells von OpenAI auf Basis von CTranslate2.
Vorausgesetzt wird Python 3.9 oder neuer. FFmpeg muss laut Dokumentation nicht installiert sein, weil die Bibliothek PyAV die Audiodekodierung übernimmt und die FFmpeg-Bibliotheken mitbringt. Für die Ausführung auf einer Grafikkarte benötigen Sie zusätzlich cuBLAS für CUDA 12 und cuDNN 9. Ohne Grafikkarte läuft das Skript auf dem Prozessor, dann allerdings langsamer.
Die README beschreibt für die NVIDIA-Bibliotheken mehrere Wege. Empfohlen wird die Installation nach der offiziellen NVIDIA-Dokumentation. Daneben nennt sie ein Docker-Image von NVIDIA, die Installation per pip unter Linux und ein Archiv aus einem Community-Repository für Windows und Linux.
Installation und erstes Transkript
Zuerst installieren Sie das Paket aus PyPI. Eine eigene virtuelle Umgebung ist dafür sinnvoll, auch wenn die README sie nicht beschreibt.
pip install faster-whisperDas folgende Skript lädt das Modell large-v3 und transkribiert die Datei audio.mp3 auf dem Prozessor mit 8-Bit-Quantisierung. Diese Variante steht in der README als Alternative zur Grafikkarte und eignet sich für Rechner ohne GPU. Der Parameter beam_size mit dem Wert 5 entspricht dem dort gezeigten Beispiel.
from faster_whisper import WhisperModel
model_size = "large-v3"
# Run on CPU with INT8 quantization
model = WhisperModel(model_size, device="cpu", compute_type="int8")
segments, info = model.transcribe("audio.mp3", beam_size=5)
print("Detected language '%s' with probability %f" % (info.language, info.language_probability))
for segment in segments:
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))Beim ersten Aufruf mit einer Modellgröße lädt die Bibliothek das passende CTranslate2-Modell vom Hugging Face Hub herunter. Danach liegt es lokal vor. Für die Grafikkarte nennt die README device="cuda" mit compute_type="float16" oder "int8_float16".
Stille herausfiltern und Wortzeiten ausgeben
Aufnahmen von Besprechungen enthalten oft lange Pausen. Mit vad_filter=True entfernt die eingebundene Silero-VAD die Abschnitte ohne Sprache. Standardmäßig arbeitet der Filter vorsichtig und schneidet nur Stille ab, die länger als 2 Sekunden dauert. Über vad_parameters lässt sich dieser Wert anpassen, im Beispiel auf 500 Millisekunden.
segments, _ = model.transcribe(
"audio.mp3",
vad_filter=True,
vad_parameters=dict(min_silence_duration_ms=500),
)Benötigen Sie für jedes Wort einen Zeitpunkt, etwa für Untertitel oder zum Nachhören einzelner Stellen, setzen Sie word_timestamps=True. Das Beispiel gibt Beginn, Ende und Wort aus.
segments, _ = model.transcribe("audio.mp3", word_timestamps=True)
for segment in segments:
for word in segment.words:
print("[%.2fs -> %.2fs] %s" % (word.start, word.end, word.word))Weitere Optionen finden sich laut README in der Klasse WhisperModel im Quellcode. Für die gebündelte Verarbeitung gibt es zusätzlich BatchedInferencePipeline, deren Methode transcribe als Ersatz für WhisperModel.transcribe gedacht ist. Bei der gebündelten Verarbeitung ist der VAD-Filter standardmäßig eingeschaltet.
Wie prüfe ich, ob die Transkription funktioniert?
Starten Sie das Skript mit einer kurzen Aufnahme, deren Inhalt Sie kennen. Die Ausgabe zeigt zuerst die erkannte Sprache samt Wahrscheinlichkeit und danach Zeilen mit Zeitmarken und Text. Vergleichen Sie einige Sätze mit der Aufnahme, bevor Sie größere Mengen verarbeiten.
Wollen Sie sehen, was die Bibliothek im Hintergrund tut, schalten Sie die Protokollierung ein. Die README setzt dafür den Logger faster_whisper auf die Stufe DEBUG.
import logging
logging.basicConfig()
logging.getLogger("faster_whisper").setLevel(logging.DEBUG)Typische Stolpersteine aus der Dokumentation
Die Variable segments ist ein Generator. Die Transkription beginnt erst, wenn Sie darüber iterieren. Wer nur transcribe aufruft und die Laufzeit misst, misst deshalb fast nichts. Mit list(segments) erzwingen Sie die vollständige Verarbeitung.
Bei Grafikkarten unterstützen die aktuellen Versionen von ctranslate2 nur CUDA 12 und cuDNN 9. Für ältere Umgebungen nennt die README die Version 3.24.0 (CUDA 11 und cuDNN 8) oder 4.4.0 (CUDA 12 und cuDNN 8) als Ausweg. Wenn Sie die NVIDIA-Bibliotheken unter Linux per pip installieren, muss die Variable LD_LIBRARY_PATH vor dem Start von Python gesetzt sein.
Bei Geschwindigkeitsvergleichen sollten die Einstellungen übereinstimmen. Die README weist darauf hin, dass faster-whisper standardmäßig mit beam_size 5 arbeitet, openai/whisper dagegen mit 1. Auf dem Prozessor legen Sie die Zahl der Threads über OMP_NUM_THREADS fest.
Einordnung für den Betrieb im Unternehmen
Läuft das Skript auf einem Rechner im eigenen Netz, verbleiben die Aufnahmen dort. Offen bleibt der Modelldownload beim ersten Start. Wer den Rechner abschotten will, kann das Modell laut README selbst konvertieren und danach aus einem lokalen Verzeichnis laden. Klären Sie vorab mit Ihrer Datenschutzstelle, welche Aufnahmen verarbeitet werden dürfen und wie lange Transkripte gespeichert bleiben. Hinweise zum Rahmen finden Sie unter DSGVO und KI und zu lokaler KI.
Jemand in der IT sollte die Versionen von faster-whisper und ctranslate2 pflegen und Updates testen. Für Berufsgeheimnisträger wie Kanzleien gelten zusätzliche Anforderungen, die auf der Seite für Kanzleien beschrieben sind. souveraen.ai ist eine KI-Plattform der clouditiv GmbH, die Fragen aus angebundenen Quellen beantwortet und die Fundstelle nennt. Sie läuft gehostet in Deutschland oder als Private Spark im eigenen Netz.
Quellen
- faster-whisper README, faster-whisper


