部署

文本所说的这个仓库，可以有效提升的速度。而且使用了 提供的免费GPU资源，可以快速实现需求。

有个弊端，就是10分钟的视频，非得的时间完成。本文测试了的一段，大概。大大节约了时间。

仓库地址：faster-whisper-youtube。

https://github.com/lewangdev/faster-whisper-youtube

虽然名字里有 ，但所使用的的视频下载库，支持。本文我们测试的是。

本文所使用的 ，还有，在文末获取。

在仓库首页，点击  文档内  链接，直接打开的地址，并自动加载仓库对应的最新的 ipynb 文件内容。

你也可以手动访问google colab fast-whisper-youtube。

点击单元格运行按钮，如下图箭头所指位置。

免费额度已足以跑起来开源的 whisper 模型了。我们这个笔记使用的资源配置如下。

本项目使用了两个项目依赖：

• · ，用于实现语音识别

• · ，用于下载视频文件，提升语音文件

点击单元格按钮，直接运行：

运行结果：

主要是为了把。打开google drive，依次创建路径：

Colab Notebooks/Faster Whisper Youtube

目录创建完毕，运行单元格代码：

授权允许colab访问google drive空间。

根据支持的模型列表，我们选择 ，有参数，精准度比较高。

选择完毕，执行单元格代码。

会自动下载和加载。

第三步所执行的依赖安装中， 就是用来下载视频数据。这一节，我们选择的一段视频。我们在首页找一个短一些的热门视频，比如。

把需要设置的参数填上去。

从代码上看，执行了，并。

这样，基础的，可以执行下一步的任务了。

准备好数据之后，需要指定一些参数。比如声音的，这里选择“”。代码内自带的初始化提示词，是有助于的，我们暂不做更改。

右侧可以查看计算资源的使用情况。

这是一段，识别速度还是挺快的。

大概花了，就识别好了。输出的默认是繁体中文。可以有处理：

• · ，language 部分实现简体中文；

• · 识别的文件，使用；网上这类工具比较多。

到这里，就大功告成了。生成的字幕文件，以 srt 格式，存储在google drive指定的目录下。

在 colab 上，没有遇到特别的问题。

如果你本地有，或者充裕的，那么把仓库内的 ipynb 文件，也是完全可以的。

对于需要，对用户而言，这个仓库让大家又