⁨Whisper.cpp⁩ مقابل ⁨faster-whisper 2026⁩: معايير ⁨STT⁩ المحلية والإعداد وتسريع ⁨GPU⁩

حقائق سريعة

• كلتا الأداتين: تستندان إلى نموذج Whisper مفتوح المصدر من OpenAI (رخصة MIT). دقة متطابقة — أوقات تشغيل مختلفة.
• whisper.cpp: مكتوب بلغة C/C++ من قِبَل Georgi Gerganov. يدعم CPU (AVX2/NEON) وCUDA وMetal (Apple) وVulkan. لا يتطلب Python.
• faster-whisper: مكتبة Python تستخدم CTranslate2. تدعم CPU (int8) وCUDA. لا دعم لـApple Metal.
• أحجام نموذج Whisper: tiny (39M)، وbase (74M)، وsmall (244M)، وmedium (769M)، وlarge-v3 (1.55B). جميعها بتنسيق ggml / CTranslate2.
• أفضل نموذج لمعظم حالات الاستخدام: Whisper small — 3.4% WER، يعمل في 2 جيجابايت RAM، 6 أضعاف الزمن الفعلي على معالج حديث.
• معيار RTX 4070 (large-v3): faster-whisper ~12 ضعف الزمن الفعلي؛ whisper.cpp CUDA ~8 أضعاف. يفوز faster-whisper على NVIDIA.
• معيار M5 Pro (large-v3): whisper.cpp Metal ~10 أضعاف الزمن الفعلي؛ faster-whisper CPU فقط ~3 أضعاف. يفوز whisper.cpp على Apple.

لماذا تحويل الكلام إلى نص محليًا؟

• الخصوصية: لا يغادر الصوت جهازك قط. لا حاجة لاتفاقية معالجة بيانات للامتثال لـGDPR — المعالجة تتم محليًا.
• التكلفة: صفر رسوم لكل دقيقة. مطوّر ينسخ 8 ساعات اجتماعات أسبوعيًا يوفر 120–480 دولارًا شهريًا مقارنةً بأسعار STT السحابية.
• بدون اتصال: يعمل على الطائرات وفي المنشآت الآمنة والمناطق دون إنترنت موثوق. لا إدارة لمفاتيح API.
• زمن الاستجابة: لا ذهاب وإياب لرفع/تنزيل البيانات. لواجهات الصوت في الوقت الفعلي، يقلل المعالجة المحلية زمن استجابة STT من 300–800 مللي ثانية (سحابة) إلى 50–300 مللي ثانية.
• التخصيص: ضبط دقيق على المفردات الخاصة بالمجال. شغّل أي حجم نموذج يناسب جهازك.
• التكامل مع Home Assistant: تشغيل Whisper محليًا يعني أن كلمات التنبيه والأوامر الصوتية لا تغادر شبكتك المنزلية قط. راجع Whisper المحلي في Home Assistant ← لإعداد الإضافة التي تحل محل STT السحابية كليًا.

أحجام نموذج Whisper — الأساس لكلتا الأداتين

Distil-Whisper: البديل الأسرع

• المعاملات: ~756M — تقريبًا نصف 1.55B لـlarge-v3، يتناسب مع ~4 جيجابايت VRAM بدلًا من ~10 جيجابايت.
• السرعة: ~6 أضعاف الزمن الفعلي على RTX 4070 (مقابل 1× مرجعي لـlarge-v3) — مقارب لنموذج medium في السرعة مع دقة قريبة من large-v3.
• WER: ~2.6% بالإنجليزية — أعلى بـ~0.1% فقط من 2.5% لـlarge-v3. في الممارسة العملية الفرق غير محسوس في الكلام الطبيعي.
• التوافق: يعمل مع faster-whisper بشكل أصيل (WhisperModel("distil-large-v3", device="cuda", compute_type="int8")). لـwhisper.cpp، حوّل إلى تنسيق GGML باستخدام سكريبت تحويل GGML لـdistil-whisper.
• الأفضل لـ: مهام النسخ الدفعي، ونشر الخوادم ذات VRAM المحدودة، وأي حالة استخدام تريد فيها جودة large-v3 بسرعة نموذج medium.
• غير موصى به لـ: النسخ متعدد اللغات — distil-large-v3 للإنجليزية فقط. للغات أخرى، استخدم large-v3 أو medium.

whisper.cpp — منفذ C/C++

• دعم المنصات: CPU (AVX2، AVX512، ARM NEON)، Apple Metal (Core ML)، CUDA (NVIDIA)، Vulkan (GPU AMD/Intel)، OpenCL.
• ميزة Apple Silicon: يُصدّر whisper.cpp النماذج بتنسيق Core ML، مما يتيح الاستدلال على Apple Neural Engine. يعمل Large-v3 بسرعة ~10 أضعاف الزمن الفعلي على M5 Pro عبر Metal — أسرع من أي ذهاب وإياب سحابي.
• التثبيت: استنسخ المستودع، شغّل make (أو cmake). تتوفر ثنائيات مُجمَّعة مسبقًا للمنصات الشائعة. لا اعتماد على Python.
• تنزيل النموذج: bash ./models/download-ggml-model.sh base.en — ينزّل ملف النموذج بتنسيق GGML (~142 ميغابايت لـbase).
• مثال CLI: ./main -m models/ggml-base.bin -f audio.wav — ينسخ ملف WAV إلى الإخراج القياسي. أضف -l ar للعربية.
• وضع stream في الوقت الفعلي: ./stream -m models/ggml-base.bin --step 3000 --length 10000 — ينسخ من الميكروفون بأجزاء من 3 ثوانٍ.
• غلاف Python: يوفر pywhispercpp ارتباط Python لـwhisper.cpp، مما يتيح الاستخدام في خطوط أنابيب Python دون التضحية بتسريع Metal.
• القيد: لا VAD (الكشف عن نشاط الصوت) أصيل. يتطلب وضع stream ضبط معاملات --step و--length لحالة الاستخدام.

# Build from source (macOS / Linux)
git clone https://github.com/ggerganov/whisper.cpp
cd whisper.cpp
make -j4

# Download a model
bash ./models/download-ggml-model.sh large-v3

# Transcribe a file
./main -m models/ggml-large-v3.bin -f recording.wav

# Enable Metal on Apple Silicon (Core ML)
make -j4 WHISPER_COREML=1
./main -m models/ggml-large-v3-encoder.mlmodelc -f recording.wav

whisper.cpp — أحدث إصدار وتحديثات (يونيو 2026)

• whisper.cpp v1.8.6 (2 يونيو 2026): إعادة تنفيذ ffmpeg-transcode لفك تشفير FFmpeg الاختياري بوضوح أكبر للصوت المضغوط (MP3، M4A) إضافةً إلى إصلاح لمسار أمثلة CI.
• whisper.cpp v1.8.5 (مايو 2026): تحسينات على VAD المتدفق (الكشف عن نشاط الصوت)، وإصلاحات لتسريب معاملات الخادم وطوابع توقيت الرموز، وإصلاحات لتسرب الذاكرة في ارتباطات Ruby وVAD.
• whisper.cpp v1.8.4 (19 مارس 2026): أحدث مزامنة لـggml مع مكاسب أداء واسعة، وراية جديدة -g / --gpu-device (واختيار جهاز GGML_CUDA) لاختيار GPU، وإصلاحات لالتفاف مقاطع UTF-8.
• VAD الأصيل مدمج الآن في whisper.cpp. أضافت الإصدارات الأخيرة مسارًا أصيلًا للكشف عن نشاط الصوت، مما يقلّص ميزةً طالما تمتّع بها faster-whisper — وإن ظل تكامل Silero VAD في faster-whisper أجهز للاستخدام.
• faster-whisper v1.2.1 (31 أكتوبر 2025): الإصدار المستقر الحالي؛ يجلبه pip install faster-whisper. لا إصدار في 2026 حتى هذا التحديث — المشروع مستقر وليس متوقفًا.
• لا نموذج Whisper أساسي جديد في 2026. يظل large-v3 وdistil-large-v3 أحدث الأوزان، لذا فإن «تحديثات» أي من الأداتين هي تغييرات في وقت التشغيل والأدوات، وليست تغييرات في الدقة.

faster-whisper — منفذ CTranslate2

• دعم المنصات: CPU (تكميم int8) وNVIDIA CUDA GPU. لا دعم لـApple Metal — يعمل على CPU فقط على Mac.
• ميزة int8: يقلل تكميم int8 من CTranslate2 من VRAM بنسبة ~40% ويزيد سرعة الاستدلال بنسبة ~2 ضعف مقارنةً بـfloat16، مع تأثير WER ضئيل (< 0.1% مطلق).
• التثبيت: pip install faster-whisper — لا تجميع مطلوب. يتطلب دعم CUDA نسخة CUDA 11.8+ وcuDNN 8.x.
• VAD مدمج: يتضمن faster-whisper تكاملًا مع Silero VAD، الذي يتخطى تلقائيًا أجزاء الصوت الصامتة — أمر بالغ الأهمية لخطوط أنابيب النسخ في الوقت الفعلي.
• Python أصيل: تجعل واجهة برمجة Python المباشرة من السهل التكامل مع النماذج اللغوية الكبيرة ومكتبات معالجة الصوت وأطر الويب.
• السرعة: large-v3 int8 على RTX 4070 يعمل بسرعة ~12 ضعف الزمن الفعلي ويستخدم ~2.5 جيجابايت VRAM. CPU int8 يصل إلى ~20 ضعف الزمن الفعلي للنموذج tiny.
• المعالجة الدفعية: يدعم faster-whisper الاستدلال الدفعي لمعالجة أرشيفات صوتية كبيرة بكفاءة.
• القيد: لا دعم Metal على Mac — يعمل على CPU فقط على Apple Silicon، محققًا ~3 أضعاف الزمن الفعلي مع large-v3 مقابل ~10 أضعاف لـwhisper.cpp مع Metal.

from faster_whisper import WhisperModel

# Load model (downloads automatically on first run)
model = WhisperModel("large-v3", device="cuda", compute_type="int8")

# Transcribe
segments, info = model.transcribe("audio.wav", beam_size=5)

print(f"Detected language: {info.language} (probability: {info.language_probability:.2f})")
for segment in segments:
    print(f"[{segment.start:.2f}s → {segment.end:.2f}s] {segment.text}")

الحصول على ggml-base.bin عبر pip (إعداد Python)

• ثبّت الارتباط: pip install pywhispercpp. لتسريع NVIDIA CUDA، ابنِ عبر GGML_CUDA=1 pip install git+https://github.com/absadiki/pywhispercpp.
• تنزيل ggml-base.bin تلقائيًا: from pywhispercpp.model import Model ثم model = Model("base") ينزّل ggml-base.bin من Hugging Face (ggerganov/whisper.cpp) في أول تشغيل ويخزّنه. استخدم "base.en" للنسخة الإنجليزية فقط.
• تنزيل يدوي (مسار CLI، دون pip): من مستودع whisper.cpp مستنسخ، يحفظ bash ./models/download-ggml-model.sh base الملف في models/ggml-base.bin — وهو الملف ذاته الذي يجلبه pywhispercpp.
• تنزيل مباشر: curl -L -o ggml-base.bin https://huggingface.co/ggerganov/whisper.cpp/resolve/main/ggml-base.bin يجلب النموذج دون سكربت. استبدل base بـtiny أو small أو medium أو large-v3.
• لا تخلط بين الحزم: pip install openai-whisper يثبّت Whisper الأصلي من OpenAI بـPyTorch (يستخدم نقاط تحقق .pt، لا ggml-base.bin). وpip install faster-whisper يستخدم تنسيق CTranslate2. وحده pywhispercpp يستهلك ملفات GGML من نوع ggml-*.bin.
• أين يوجد الملف: يخزّن pywhispercpp نماذج GGML المنزّلة في ذاكرة التخزين المؤقت للوحدة (أو مسار تمرّره عبر Model("base", models_dir="..."))، بحيث يُعاد استخدام ggml-base.bin ذاته عبر عمليات التشغيل — دون إعادة تنزيل.

# 1. Install the pip binding for whisper.cpp
pip install pywhispercpp

# 2. ggml-base.bin downloads automatically on first use
#    from pywhispercpp.model import Model
#    model = Model("base")          # fetches & caches ggml-base.bin (~142 MB)
#    for seg in model.transcribe("audio.wav"):
#        print(seg.text)

# --- Or get ggml-base.bin manually (no pip) ---
# From a cloned whisper.cpp checkout:
bash ./models/download-ggml-model.sh base       # -> models/ggml-base.bin

# Or download the file directly from Hugging Face:
curl -L -o ggml-base.bin \
  https://huggingface.co/ggerganov/whisper.cpp/resolve/main/ggml-base.bin

مقارنة مباشرة: جدول معايير الأداء

إعداد النسخ في الوقت الفعلي

• وضع stream في whisper.cpp: شغّل ./stream -m models/ggml-small.bin --step 3000 --length 10000 -t 4. يعالج أجزاء من 3 ثوانٍ؛ تأخير ~0.5–1.5 ثانية مع النموذج small. لا Python مطلوب.
• خط أنابيب VAD في faster-whisper: استخدم vad_filter=True في model.transcribe(). يقسّم Silero VAD الصوت تلقائيًا عند حدود الصمت — أجزاء أكثر طبيعية من النوافذ ذات الطول الثابت.
• التأخير العملي: 0.5–2 ثانية خلف الكلام الحي مع النماذج small أو medium. استخدم tiny لأقل تأخير (< 0.5 ثانية، لكن WER أعلى).
• اختيار النموذج للوقت الفعلي: small أو base هو النقطة المثلى العملية — سريع بما يكفي لمواكبة الكلام، ودقيق بما يكفي للصوت النظيف. تجنب large-v3 للوقت الفعلي ما لم يكن لديك GPU مخصص.
• إدخال الميكروفون: يقرأ whisper.cpp الصوت الخام عبر SDL2 أو portaudio. يقرأ faster-whisper مصفوفات الصوت من أي مكتبة صوت Python (sounddevice، وpyaudio، وsoundfile).
• الاستقرار: قد ينتج وضع stream في whisper.cpp رموزًا متكررة ("هلوسة" لحشوات قصيرة) عند الصمت. اقمعها بـ--suppress-blank و--no-speech-threshold.

Apple Silicon: يفوز whisper.cpp

• تصدير Core ML: شغّل ./models/generate-coreml-model.sh large-v3 لتصدير المشفّر بتنسيق Core ML. هذا يُفرّغ استدلال المشفّر على Apple Neural Engine.
• معيار M5 Pro (large-v3، Metal): ~10 أضعاف الزمن الفعلي. تُنسخ 60 دقيقة من الصوت في ~6 دقائق. ملاحظة: صدر M5 Pro في مارس 2026 — هذه معايير مبكرة من المجتمع. قد يتحسن الأداء مع تحديثات whisper.cpp التي تُحسّن M5 Neural Engine.
• معيار M3 MacBook Air (large-v3، Metal): ~7 أضعاف الزمن الفعلي. 60 دقيقة في ~8.5 دقائق.
• الذاكرة: الذاكرة الموحدة تعني عدم وجود VRAM منفصلة — يمكن لـM5 Pro بسعة 16 جيجابايت تشغيل large-v3 (~3 جيجابايت) بسهولة بجانب عمليات أخرى.
• faster-whisper على Mac: CPU فقط، int8. Large-v3 بسرعة ~3 أضعاف الزمن الفعلي. مناسب للنسخ الدفعي الليلي لكن ليس للوقت الفعلي أو سير العمل الحساس للوقت.
• التوصية: استخدم whisper.cpp لجميع أعمال STT على Mac. أضف pywhispercpp إذا احتجت للتكامل مع Python مع الاحتفاظ بتسريع Metal.

NVIDIA GPU: يفوز faster-whisper

• معيار RTX 4070 (12 جيجابايت) (large-v3 int8): ~12 ضعف الزمن الفعلي، ~2.5 جيجابايت VRAM.
• معيار RTX 3060 (12 جيجابايت) (large-v3 int8): ~8 أضعاف الزمن الفعلي، ~2.5 جيجابايت VRAM.
• معيار RTX 4060 (8 جيجابايت) (large-v3 int8): ~7 أضعاف الزمن الفعلي، ~2.5 جيجابايت VRAM — يتناسب بسهولة.
• int8 مقابل float16: int8 أسرع بنسبة ~2 ضعف ويستخدم ~40% أقل من VRAM مع خسارة دقة ضئيلة. استخدم دائمًا compute_type="int8" على NVIDIA.
• المعالجة الدفعية: يتيح معامل batched=True في faster-whisper المعالجة المتوازية لملفات صوتية متعددة، مما يعظّم استخدام GPU لمهام النسخ الكبيرة.
• التكامل في خط أنابيب Python: يتكامل faster-whisper مباشرةً مع LangChain وHaystack وخطوط أنابيب Python المخصصة. لا حمل زائد للعمليات الفرعية مقارنةً بتغليف whisper.cpp.

Whisper على Raspberry Pi 5: tiny وbase وsmall

• Whisper small على Pi 5: نحو 0.4–0.6× من الزمن الفعلي على المعالج (مقطع 10 دقائق يستغرق ~17–25 دقيقة). دقيق عند 3.4% WER لكنه بطيء جدًا للترجمة الحية — استخدمه للنسخ الليلي/الدُّفعي.
• Whisper base على Pi 5: من الزمن الفعلي إلى ~2× مع تعدد الخيوط (-t 4). نقطة التوازن العملية للنسخ الحي على Pi، مع WER مقبول قدره 5.0%.
• Whisper tiny على Pi 5: الخيار الأسرع، أسرع بكثير من الزمن الفعلي للاستخدام الحي، على حساب WER أعلى قدره 7.6%. الأفضل للتعرّف على كلمة التنبيه والأوامر القصيرة.
• استخدم النماذج المكمَّمة: bash ./models/download-ggml-model.sh small-q5_0 يقلّص الذاكرة ويسرّع الاستدلال بخسارة دقة ضئيلة — أمر مهم على الذاكرة المشتركة في Pi 5.
• faster-whisper على Pi 5: قابل للتثبيت (pip install faster-whisper، CPU int8) ومنافس لمهام الدُّفعات، لكن ثنائي C الأخف في whisper.cpp هو الخيار المضمَّن الأكثر شيوعًا.
• الحرارة: يجهد النسخ المستمر معالج Pi 5 بشدة — استخدم تبريدًا نشطًا لتجنّب خفض التردد الحراري الذي يقوّض هذه الأرقام.

متى تستخدم أيًّا منهما

ما وراء whisper.cpp وfaster-whisper

• WhisperX:** مبني على faster-whisper، يضيف WhisperX طوابع زمنية على مستوى الكلمة وتمييز المتحدثين — للتعرف على أيٍّ من المتحدثين قال ماذا. الأفضل لـ: نسخ الاجتماعات بعلامات المتحدثين، وتحرير البودكاست، ونسخ المقابلات. ثبّت بـpip install whisperx وأدرج رمز Hugging Face للنموذج المساعد لتمييز المتحدثين.
• insanely-fast-whisper:** غلاف خط أنابيب Hugging Face Transformers يضيف دعم Flash Attention 2 لاستدلال GPU أسرع بكثير من faster-whisper القياسي على أجهزة NVIDIA. الأفضل لـ: المعالجة الدفعية لأرشيفات صوتية كبيرة على بطاقات NVIDIA GPU. يتطلب GPU متوافق مع Flash Attention 2 (Ampere أو أحدث: RTX 3000+، A100، H100).

المشكلات الشائعة والحلول

• عدم توافق إصدار CUDA: يتطلب faster-whisper CUDA 11.8 أو أحدث. تحقق بـnvcc --version. إذا كانت CUDA أقدم، إما حدّث المشغّل أو ثبّت faster-whisper في بيئة conda بـcudatoolkit=11.8.
• فشل تصدير نموذج Metal: تأكد من تثبيت Xcode Command Line Tools — شغّل xcode-select --install. يتطلب سكريبت تصدير Core ML حزمة Python coremltools: pip install coremltools.
• هلوسة عند الصمت: قد تنتج كلتا الأداتين رموزًا متكررة لحشوات قصيرة على أجزاء الصوت الصامتة. استخدم --no-speech-threshold 0.6 في وضع stream في whisper.cpp، أو vad_filter=True في model.transcribe() من faster-whisper لتخطي الأجزاء الصامتة تلقائيًا.
• نفاد الذاكرة مع large-v3: تحوّل إلى تكميم int8 في faster-whisper (compute_type="int8") — يقلل VRAM من ~5 جيجابايت (float16) إلى ~2.5 جيجابايت. في whisper.cpp استخدم نسخة GGML المكمَّمة (مثلًا ggml-large-v3-q5_0.bin) التي تقلص الذاكرة إلى ~3–4 جيجابايت.
• إخراج مشوَّه لصوت غير إنجليزي: لا تستخدم نسخ .en من النموذج (tiny.en، base.en) للكلام غير الإنجليزي — فهي إنجليزية فقط. استخدم النماذج متعددة اللغات (base، وsmall، وmedium، وlarge-v3) وحدد اللغة صراحةً: -l ar في whisper.cpp أو language="ar" في faster-whisper.
• استدلال CPU بطيء: تأكد من أن معالجك يدعم تعليمات AVX2 (المطلوبة للاستدلال المُحسَّن على CPU). تحقق بـgrep avx2 /proc/cpuinfo على Linux أو sysctl machdep.cpu.features على Mac. المعالجات دون AVX2 تعود إلى SIMD العام وستكون أبطأ بنسبة 2–3 أضعاف.

الأسئلة الشائعة

المصادر

• whisper.cpp على GitHub — الكود المصدري وتعليمات البناء وسكريبتات تنزيل النماذج ودليل إعداد Metal/Core ML.
• faster-whisper على GitHub — الكود المصدري وتوثيق Python API ونتائج المعايير.
• distil-whisper/distil-large-v3 على Hugging Face — بطاقة النموذج ونتائج المعايير وتعليمات استخدام نسخة Whisper المقطّرة.
• WhisperX على GitHub — طوابع زمنية على مستوى الكلمة وتمييز المتحدثين مبني على faster-whisper.
• insanely-fast-whisper على GitHub — خط أنابيب Whisper Flash Attention 2 لأقصى إنتاجية على NVIDIA GPU.
• OpenAI Whisper على GitHub — نموذج Whisper الأصلي والورقة البحثية وبطاقات النماذج لجميع الأحجام.
• ورقة OpenAI Whisper البحثية (Radford et al.، 2022) — "Robust Speech Recognition via Large-Scale Weak Supervision". مصدر قيم WER.
• توثيق CTranslate2 — تفاصيل التكميم ودعم الأجهزة وأسس تحسين int8.

قراءة ذات صلة

• TTS المحلي واستنساخ الصوت 2026: Piper مقابل Coqui مقابل XTTS v2 — مكمّل TTS: حوّل النص المنسوخ مجددًا إلى صوت، بدون اتصال.
• بناء مساعد صوتي كاملًا بدون اتصال في 2026 — اربط Whisper STT بنموذج LLM محلي وPiper TTS في خط أنابيب صوتي كامل.
• خط أنابيب AI متعدد الوسائط المحلي 2026 — أضف نماذج رؤية جنبًا إلى جنب مع STT وTTS لحزمة محلية متعددة الوسائط كاملة.
• دليل الأجهزة لـLLM المحلي 2026 — متطلبات GPU وRAM لخط الأنابيب الكامل للصوت + LLM.
• بناء مساعد صوتي محلي على هاتفك — النسخة الجوالة: WhisperKit على iPhone، وLayla على Android.