1. 基本情况
| 项目 | 情况 |
|---|---|
| 仓库 | ggml-org/whisper.cpp |
| 多少人在用 | 53,488 star / 6,134 fork |
| 主要语言 | C++ |
| 诞生时间 | 2022-09-25 |
| 最近更新 | 2026-09-04 |
| 还活着吗 | ✅ 活跃（2 天前还有更新） |
| 许可证 | MIT（宽松许可证，商用一般没问题） |
| 未解决的问题 | 437 个 issue 未关闭 |
2. 主要用来干什么
把语音变成文字，而且是在你自己的设备上跑——不用联网，不用给任何公司发钱，录音也不离开本机。
它本质上是 OpenAI 那个 Whisper 语音识别模型的"本地版"。官方版本要装一大堆 Python 依赖、还得有像样的显卡；这个用纯 C/C++ 重写了一遍，不依赖任何外部库，从 iPhone、安卓手机到树莓派、老笔记本都能跑起来。这句话就是它存在的全部理由。
典型的用法：
- 给播客、访谈录音配字幕：一段一小时的音频丢进去，出来带时间轴的字幕文件，直接拖进剪辑软件
- 会议录音转文字稿：全程离线，涉密内容不用上传到任何云服务——这是很多公司唯一能接受的方案
- 给自己做的 App 加语音输入：它提供了标准的 C 语言接口，iOS、安卓、甚至网页里都能嵌进去
- 在树莓派或旧电脑上做离线语音助手：最小的模型只占 75 MB 硬盘、不到 300 MB 内存，很老的设备也带得动
- 批量给一整个文件夹的视频加字幕：命令行工具，写个脚本就能跑一夜
有两个实际使用时绕不开的点：它只吃 16 位 WAV 格式的音频，别的格式得先用 ffmpeg 转一道（README 里给了现成命令）；另外模型要单独下载，从 75 MB 到 2.9 GB 不等——模型越大越准，但也越吃内存，最大的那个要 3.9 GB 内存。
3. 为什么会火
它戳中了什么痛点
2022 年 9 月 OpenAI 放出 Whisper 时，官方版本是个 Python 包，背后拖着整套 PyTorch——光依赖就将近 2 GB，想跑得快还得有 N 卡。这意味着两件事：普通笔记本用不了，更没法塞进一个桌面软件或手机 App 里发给用户。
whisper.cpp 把整个模型用纯 C/C++ 重写了一遍，不依赖 Python、不依赖显卡，编译出来就是一个可执行文件。同一个模型，从 2 GB 的安装包变成能在 iPhone 上跑。
什么时候火起来的，因为什么
作者是 Georgi Gerganov——他后来写的 llama.cpp 更有名。让这个项目破圈的是几次"看得见"的演示：2022 年底他放出了能在浏览器里直接跑的在线 demo，2023 年初整个模型跑在浏览器里的版本又上了一次 Hacker News 头版。他也上过 Changelog 播客聊这段经历。
为什么是它赢了
不是因为更准——它跑的是同一批模型权重，准确率和官方版本没有区别。赢在能跑在别人跑不了的地方：Mac 的 M 系列芯片、树莓派、手机、浏览器。
大家在夸什么
装起来简单、Apple Silicon 上速度惊人（走 Metal 和神经引擎）、能整个塞进 App 里、离线、免费。
大家在骂什么（这部分请重点看）
- 长音频上的速度存疑。有人开 issue 实测在较长音频上明显慢于 faster-whisper，和宣传的 2–3 倍优势相反。另一个长期讨论帖也在争这件事。结论至今不统一，跟硬件关系很大。
- 量化会掉精度。压到 4 位能省内存，但有测评指出在长录音、尤其嘈杂音频上准确率会明显下降。
- 多语言表现有争议。同一篇测评提到某些多语言场景下它只转对了约四分之一内容——但这是单一来源的说法，我没找到第二处佐证，建议自己验。
- 有 N 卡的话它不是最优解。faster-whisper 在 NVIDIA 显卡上明显更快。
已有的评测和视频
中文的深度评测我这次没有检索到。
4. 同类还有谁，怎么选
| star | 最近更新 | 一句话定位 | 关键差异 | 上手难度 | |
|---|---|---|---|---|---|
| whisper.cpp | 53,489 | 2026-09-04 | 纯 C/C++，哪儿都能跑 | 无依赖、能进手机和浏览器、Mac 上有专门优化 | 中（要自己编译） |
| openai/whisper | 108,650 | 2026-08-31 | 官方原版 | 最"正统"，但拖着近 2 GB 的 Python 依赖 | 低（会 Python 就行） |
| SYSTRAN/faster-whisper | 25,270 | 2025-11-19 ⚠️ | N 卡上跑得快 | 有 N 卡时速度优势明显 | 中（要装 CUDA 那套） |
| m-bain/whisperX | 23,917 | 2026-08-30 | 能分辨谁在说话 | 词级时间轴 + 说话人分离，这两点上面几个都没有 | 高（依赖最多） |
| k2-fsa/sherpa-onnx | 14,644 | 2026-09-05 | 全能语音工具箱 | 除了转文字还有语音合成、说话人分离、降噪；支持 12 种编程语言、鸿蒙和各种国产 NPU | 中 |
| Vaibhavs10/insanely-fast-whisper | 13,058 | 2025-10-25 ⚠️ | 追求极限速度 | 是个 Notebook 形态，更像实验脚本 | 低但不适合上生产 |
| ufal/whisper_streaming | 3,671 | 2025-11-12 | 实时流式转写 | 边说边出字，做直播字幕用 | 中 |
⚠️ 标记的两个将近一年没有更新了。这是查接口查出来的，不是听说的——很多测评文章还在推荐 faster-whisper，但没告诉你它已经快一年没动静。
什么时候该选它
- 要离线、要塞进 App、或者用的是 Mac → 选 whisper.cpp。这是它无可替代的场景，别的都做不到"编译出一个文件就能跑在 iPhone 上"。
- 有 N 卡、只在自己电脑上跑着玩 → 选 openai/whisper 原版最省事，或者 faster-whisper 求速度。但要接受 faster-whisper 已近一年未更新这个事实。
- 需要区分谁在说话（会议纪要、访谈、播客多人对话）→ 只能选 whisperX，上面其他几个都没这个能力。依赖多、装起来烦，但没有替代品。
- 要做嵌入式、国产芯片、或者除了转文字还要语音合成 → 选 sherpa-onnx。它是几个里维护最勤的（2 天前还在更新）。
- 做直播实时字幕 → whisper_streaming，虽然小众。
- insanely-fast-whisper 不建议用于正式项目：Notebook 形态 + 近一年没更新。
一句话：whisper.cpp 的护城河不是准确率，而是"能跑在别人跑不了的地方"。 只要你的场景不涉及离线、嵌入或 Mac，它的优势就不明显。
你亲测时重点看这几点
- 长音频到底慢不慢（最值得验）。这是争议最大的地方，有人实测比 faster-whisper 慢很多，跟宣传相反，而且结论跟硬件强相关。拿一段 40 分钟以上的音频，在你自己的机器上跑一次，比读十篇测评都管用。
- 中文效果（这是空白）。我检索到的测评几乎全是英文场景，中文准确率和标点处理没有一篇正经讲过。你验出来就是独家内容。
- 量化到底掉多少精度。压缩模型能省一大半内存，但有测评说长录音、嘈杂环境下会明显变差。同一段音频跑原版和量化版对比一次就知道。
- 在你的 Mac 上到底多快。Apple 芯片是它主打的优势，但没人给过具体数字。记下"多长音频花了多少秒"，这个数据很有传播力。
- 从零到跑通要多久。所有人都说"简单"，但没人给时间。你计个时——这对观众判断要不要试非常有用。
5. 我的实测
结论：有条件推荐
（这是走通流程用的占位心得，等你真试完再覆盖）装的时候卡在音频格式上——它只吃 16 位 WAV，mp3 要先用 ffmpeg 转一道，README 里写了但很容易漏看。转完之后 Mac 上速度确实快。
客观数据来自 GitHub 接口，生成于 2026-09-07。判断部分仅供参考，动手前请以你自己的实测为准。