自架 Whisper 轉錄 API 開源實測：把語音辨識裝進自己的 GPU

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

把 Fast-Powerful-Whisper-AI-Services-API 的依賴清單交給 pip，它在碰到任何一個 Whisper 模型之前，就先倒在一個 Windows 專屬的套件上。我在 macOS 上實際跑了一次安裝解析，pip 停在第 63 行，輸出只有一句話：ERROR: Could not find a version that satisfies the requirement pywin32==308 (from versions: none)。這個在 GitHub 上有 474 顆星、以 Apache-2.0 授權開源的語音轉錄 API 專案，宣稱讓你不必購買 Whisper API、用自己機器上的模型做推理，這部分我翻遍程式碼後確認是真的；但它省下的帳單，換成了環境工程、安全設定與長期維運三種責任，而且每一種都比 README 呈現的樣子重。

Pin

先講結論給趕時間的人：轉錄推理全程在本機這件事，程式碼層完全成立，授權也乾淨；但部署路徑被一份 2024 年 11 月的依賴鎖定檔實質綁在 Windows 加 Python 3.8 到 3.12 的組合上，服務出廠設定直接綁 0.0.0.0 的 80 連接埠而且全程沒有任何金鑰驗證，主要分支也超過 15 個月沒有新的程式碼提交。它適合有 NVIDIA 顯示卡、願意自己改設定檔的開發者；想要一鍵自架的人會在第一天就想離開。

不用購買 Whisper API 這件事，程式碼層是真的

Fast-Powerful-Whisper-AI-Services-API 是中國開發者 Evil0ctal 的作品，用 Python 的 FastAPI 框架把 OpenAI Whisper 包成一個可以自己架的轉錄服務。使用流程是這樣：你上傳媒體檔案或給它一個檔案網址，服務把任務丟進佇列，背景的模型池用 Whisper 做語音辨識，完成後可以透過 API 拿結果，或直接產出 srt 與 vtt 兩種字幕檔。它同時支援轉錄與翻譯兩種任務類型，可以設定優先順序，也能指定完成後把結果 POST 到你自己的通知網址。

實際呼叫的介面很單純：對建立任務的端點送請求，來源二選一，上傳檔案或給一段檔案網址，再帶上任務類型與優先序。想盯完成的話填一個通知網址，服務處理完會主動把結果 POST 過去，不必反覆輪詢。這種設計對要把轉錄接進自動化流程的人真正有用，例如每晚批次處理當天的會議錄音，或是掛在影片上傳流程後面自動出字幕。

我特別去驗證「本地推理」這個宣稱。設定檔裡的引擎清單只有兩個選項：原生的 openai_whisper 與走 CTranslate2 加速的 faster_whisper，預設使用 faster_whisper 搭配 large-v3 模型。整個任務處理鏈從音檔提取、模型推理到結果寫入資料庫，全部落在本機程序裡；我把路由層的程式碼掃過一遍，不存在任何把音檔送給外部語音辨識服務的呼叫。換句話說，只要你不主動開啟後面會提到的 ChatGPT 摘要功能，你的音檔內容不會因為轉錄這件事離開你的機器。上傳檔案有 2GB 上限，暫存檔在處理完成後預設自動刪除，這兩個預設值對隱私是加分的。

和官方路線的差異在成本結構。OpenAI 的 Whisper API 按音檔分鐘數計費，你付出的是帳單；自己架這套，你付出的是一張能跑 large-v3 的顯示卡（作者自己的測試環境是一張 RTX 4060 筆電版顯示卡）、第一次跑要下載的模型檔，以及後面所有環境維護工。作者提供的效能數字是：large-v3 模型、39 秒的影片、連續丟 5 個任務，全部在 32 秒內處理完成。這是作者在 README 提供的量測數字，參考數量級即可；實際速度取決於你手上的顯示卡，我沒有實測。

架構上有幾個設計值得單獨講。整個服務走生產者消費者模型：API 層收任務，背景的非同步模型池消費任務，池子大小、每張顯示卡能掛幾個模型實例都可以在設定檔調。要注意一個誠實的限制：作者在文件裡明說，單張顯示卡的環境拿不到平行處理，模型池的平行處理是給多 GPU 部署用的；只有一張卡的人，別期待同時丟十個任務會變快。推理參數的開放程度倒是少見地完整，從語言、溫度、無語音門檻到字級時間戳記共 11 項都能在建任務時指定，等於把 Whisper 原生的解碼參數原汁原味暴露出來。資料庫支援 SQLite 與 MySQL 兩種，單機跑用 SQLite 零設定，要多節點共享任務佇列就換 MySQL，這條分散式的路有鋪，但目前只走到資料庫層，文件裡的 Kafka 整合與工作流系統都還是願景。

介面語言要適應一下：它的 API 文件與文案是簡體中文加英文雙語，沒有繁體中文。 Swagger 文件頁本身好用，端點描述、參數說明都算清楚，但看慣繁體的人讀起來會有隔閡，issue 討論區也全是大陸簡體語境，遇到問題上 GitHub 找答案時要有心理準備。

Pin

我把 requirements.txt 交給 pip，它在第一關就摔倒了

README 的快速部署寫了 8 個步驟：複製專案、準備 Python、裝 FFmpeg、裝 CUDA、裝支援 CUDA 的 PyTorch、安裝依賴、改設定、啟動。照著做到第 6 步，問題來了。我在 macOS 上把那份依賴清單交給 pip 解析，解析器碰到的第一個障礙就是前面提到的 pywin32：這個套件在 PyPI 上只提供 Windows 的安裝包，macOS 與 Linux 上根本不存在可安裝的版本，而鎖定檔裡這一行沒有任何作業系統標記。這不是我的環境怪異，是清單本身的問題。

就算你想繞過 pywin32 手動刪掉那一行，還有第二道牆。清單把處理影音串流的 av 套件釘在 12.3.0 版，這個版本在 PyPI 上的現成安裝包只出到 Python 3.12。我用 Python 3.14 再跑一次解析，pip 告訴我得從原始碼編譯，而編譯的前提是系統裝好 pkg-config 與 FFmpeg 的開發檔頭。也就是說，就算作業系統對了，裝了新版 Python 的人照樣會卡住。兩道牆疊起來，實際能走的路收斂到一個很窄的組合：Windows 搭配 Python 3.8 到 3.12。這個結論停在依賴解析層；Windows 加 Python 3.12 的組合能否一路裝到服務跑起來，要實際裝過才知道。

macOS 或 Linux 使用者真的想裝，技術上不是無解：把 pywin32 那行刪掉、用 pyenv 或 conda 開一個 Python 3.12 環境、補齊編譯工具鏈，有機會推進到下一步。但每動一行鎖定檔，你就在製造一份自己的私有 fork；上游已經凍結，不會有人把你的修補收進上游，之後每次重裝、每次換機器都要重做一遍。這種成本一開始看不出來，第三次重裝的時候會非常具體。

這份依賴清單是 2024 年 11 月的時間膠囊

為什麼一份 Python 專案的依賴清單會長成這樣？把 78 個套件全部釘死版本、連 pywin32 這種 Windows 系統套件都原樣列入、不做任何平台標記，最合理的解釋是：這是作者在某台 Windows 機器上直接匯出的完整環境快照。2024 年 11 月當下，這份清單在那台機器上是完美的；問題是它從此不再前進。對照 PyPI 現行版本，faster-whisper 已經從 1.0.3 走到 1.2.1，CTranslate2 從 4.5.0 走到 4.8.2，這一年多的修復與改進，這份鎖定檔一概吃不到。

時間膠囊效應還有個更硬的證據：專案的主要分支最後一次程式碼提交停在 2025 年 6 月 17 日，到今天超過 15 個月。凍結的不只是程式，還有鬆綁那份清單的機會。倉庫裡的文件素材甚至比公開倉庫本身還舊：README 的專案截圖檔名標著 2024 年 2 月，而這個倉庫是 2024 年 10 月才建立的，設定檔的檔頭則顯示它前身叫 Whisper-Speech-to-Text-API，檔名看起來是改掛前留下的遺跡；截圖裡的 Swagger 文件頁顯示版本 1.0.4，與現在設定檔裡的 1.0.5 差一版，截圖本身也是 2024 年 11 月隨 ChatGPT 功能一起入庫的。文件與程式碼之間的時間差，追起來像在看專案的地層。

服務一啟動，就對整個網路開門

設定檔裡的出廠值是 ip 設 0.0.0.0、連接埠 80。翻成白話：服務跑起來的那一刻，它監聽機器上所有網路介面，任何掃到你連接埠的人都能直接使用。我把 6 個 API 路由分組全部檢查過，沒有任何一處要求 API 金鑰或帳號，整個服務不存在鑑別層。你能在 API 上做的，陌生人也能做：把你的顯示卡算力吃滿、讀走轉錄結果、用 2GB 的上傳上限塞爆你的磁碟。這類出廠值問題在自架工具圈很常見，之前實測 MagicMirror 開源換臉工具遇到過本機服務綁 0.0.0.0 卻零驗證的組合，夸克雲端硬碟排程轉存工具則是出廠預設密碼加對外監聽，模式幾乎一樣。

風險還有一層容易被忽略：這個服務的資料庫裡存的不只是任務狀態，還有每一筆轉錄出來的文字。預設走 SQLite，一個檔案放在專案目錄裡；換句話說，誰能用 API，誰就能讀走你機器處理過的所有內容。如果上面跑的是訪談、內部會議或客戶委託的素材，這個資料庫檔案本身就該當成敏感資料看待，備份與權限都要比照辦理。

如果你決定要架，動手前先做兩件事：把 ip 改成 127.0.0.1 讓服務只聽本機，需要對外就掛一層反向代理，並在代理層加上金鑰驗證。這兩步都不難，難的是意識到有必要做，因為 README 的部署步驟裡完全沒提這件事。

抖音爬蟲與 ChatGPT 摘要，兩個附加功能的真實狀態

這個專案的賣點之一是內建抖音與 TikTok 爬蟲，貼個影片連結就能建轉錄任務。看原始碼會發現它不是新寫的：爬蟲模組整組搬自同一位作者的另一個專案 Douyin_TikTok_Download_API，檔頭的 Apache-2.0 版權宣告原樣保留，這點做得規矩。但要實際用它抓抖音，你得自己在環境變數裡填一組 DOUYIN_WEB_COOKIE，等於用你自己的抖音帳號身分去存取平台資料，平台條款與帳號風險都由使用者自己承擔。至於它現在還能不能用，我持保留態度：倉庫裡僅有的兩個開啟中 issue，其中之一就是 2025 年 4 月有人通報抖音任務建立失敗，到今天沒有任何維護者或社群的討論。順帶一提，設定檔裡還留著付費第三方服務 TikHub 的金鑰欄位，但我讀的這份程式碼裡沒有任何地方使用它，純粹是搬家時留下的舊家具。

Pin

ChatGPT 摘要則是另一種狀況：功能是新的、能用，但它是整個專案「全本地」宣稱的但書。這個功能讓你用任務編號把轉錄結果丟給 ChatGPT 做摘要，金鑰走 OPENAI_API_KEY 環境變數，屬於自帶金鑰的設計，不填就用不了，邊界算是清楚。要注意的是預設模型停在 gpt-3.5-turbo，2026 年的今天這個預設值明顯過時，用之前建議自己換掉。另外別忘了資料流向：摘要功能一開，被送出機器的就是你的轉錄文字，這一段不在本地推理的保護範圍裡。如果你處理的是隱私敏感的音檔，這個開關務必想清楚再開。

部署前要核對的限制清單

把散落在各段的問題集中列出，方便對照自己的環境：

• 作業系統與 Python 版本實質綁定 Windows 加 3.8 到 3.12，macOS 與 Linux 卡在 pywin32，Python 3.13 以後卡在 av 的原始碼編譯。
• 出廠設定對所有網路介面監聽 80 連接埠，全部 API 無鑑別，上線前必須自己處理網路層防護。
• 主要分支凍結超過 15 個月，兩個開啟中 issue 都是零討論，Docker 容器化到今天仍列在待辦清單裡沒有做。
• 抖音爬蟲需要自備 Cookie 且 2025 年 4 月起有人通報失效，現況不明。
• ChatGPT 摘要會把轉錄文字送出機器，預設模型過時。
• 推理預設的 float16 計算類型是為 GPU 設計的，純 CPU 用戶要自己改成 int8 才跑得動。

授權與專案狀態

專案以 Apache-2.0 授權釋出，內嵌的爬蟲來源專案同樣是 Apache-2.0，商用與修改的空間都存在；README 裡留了作者的商業合作信箱。倉庫建立於 2024 年 10 月，目前 474 顆星、58 次 fork。健康度要分兩面看：星星數對這種規模的自架工具不算差，但主要分支自 2025 年 6 月 17 日後就沒有程式碼提交，最後一個版本標籤 V1.0.5 停在 2024 年 12 月，處於實質凍結狀態。裝它，就要帶著接手維運的心理準備。

誰該裝、誰該繞開

這套工具值得裝的情境很明確：你手上有 NVIDIA 顯示卡、有一批自己的影音素材要批次轉錄或產字幕，而且你有能力改依賴清單、顧好反向代理。典型的工作量是那種一次幾十支起跳的批次：節目累積幾年的 podcast 存檔、整學期的課程錄影、每週產出的會議紀錄音檔，丟給任務佇列讓它慢慢跑，完成的字幕直接拿去後製或封存。對這種人，它把兩個成熟的開源引擎包成有佇列與字幕產出的完整服務，骨架設計（非同步模型池、任務完成通知、雙資料庫支援）看得出工程功底，Apache-2.0 的授權也沒有後顧之憂。

定位看清楚會更好判斷。和直接抓 faster-whisper 或 whisper.cpp 的命令列工具比起來，你多拿到的是服務層：任務佇列、優先序、完成通知、字幕檔產出，以及可以讓其他程式遠端呼叫的 API。官方付費 API 換到的是零維運，命令列換到的是零服務層，這個專案站在中間，服務層現成、維運全包。如果那層服務對你的流程沒有價值，比如一年只轉幾支影片，維運成本就完全不值，命令列工具或官方 API 都比它省事。

反過來，三種人建議直接繞開：想要 docker pull 就完工的人，容器化還躺在待辦清單裡；沒有獨立顯示卡的人，large-v3 在 CPU 上跑會讓你懷疑人生，改小模型或改 int8 都得再折騰一輪；以及主要目的其實是下載抖音影片的人，爬蟲只是這個專案的附屬品，而且狀態不明。如果你的需求是把 Whisper 用在自己電腦上做配音或剪輯的後製流程，先前實測過的 Voice-Pro 本機 AI 配音管線是更貼近那種用途的選擇。

裝完怎麼確認成功：打開服務首頁能看到完整的 Swagger 文件、建一個小任務能拿到任務編號、查結果能拿到文字，這三件事成立就是跑通了。卡住的時候，先檢查你的 Python 版本與作業系統組合，再檢查 FFmpeg 有沒有裝好；這兩關過了還有問題，考慮到倉庫的凍結狀態，答案大概要自己找了。