faster-whisper 리뷰(2026): CTranslate2로 가속한 로컬 음성 인식

역사: faster-whisper를 누가, 왜 만들었는가

faster-whisper가 실제로 하는 일

• 빠른 일괄 전사. WhisperModel을 한 번 불러온 뒤 오디오 파일에 대해 .transcribe()를 호출하면, 타임스탬프가 포함된 세그먼트와 언어 감지 정보를 담은 제너레이터를 얻을 수 있습니다.
• 내장 음성 활동 감지(VAD). vad_filter=True로 설정하면 전사 전에 Silero VAD 모델이 실행되어 무음 구간을 자동으로 제거하고, 불필요한 연산과 무음에서 발생하는 환각 텍스트를 줄입니다.
• 다양한 연산 유형. GPU에서는 float16 또는 int8_float16, CPU에서는 int8을 선택하여 약간의 정확도를 희생하는 대신 메모리 사용량을 낮추고 속도를 높일 수 있습니다.
• 단어 수준 타임스탬프. word_timestamps=True를 전달하면 세그먼트별 타임스탬프에 더해 단어별 타이밍 정보를 반환합니다.
• 배치 추론. BatchedInferencePipeline 클래스는 여러 오디오 세그먼트를 배치로 병렬 처리하여 긴 파일의 처리량을 높입니다.
• 다국어 전사 및 번역. 기반이 되는 Whisper 모델과 마찬가지로, faster-whisper는 원문 언어로 전사하거나 task="translate" 매개변수를 통해 직접 영어로 번역할 수 있습니다.

faster-whisper 설치 및 실행: 단계별 가이드

1. 1
   faster-whisper를 설치합니다.
   Why it matters: Python 환경(Python 3.9 이상 권장)에서 `pip install faster-whisper`를 실행합니다. 이렇게 하면 라이브러리와 CTranslate2 의존성이 함께 설치되며, CPU 사용 시 별도의 CUDA 툴킷 설치가 필요하지 않습니다.
2. 2
   (GPU 전용) CUDA와 cuDNN이 사용 가능한지 확인합니다.
   Why it matters: GPU 가속을 위해서는 정상적으로 작동하는 NVIDIA 드라이버와 CUDA 설정이 필요합니다. faster-whisper는 CTranslate2의 GPU 지원에 의존하므로, `device="cuda"`가 실패하면 Python 쪽을 파고들기 전에 `nvidia-smi`가 GPU를 올바르게 인식하는지 먼저 확인하십시오.
3. 3
   모델을 불러옵니다.
   Why it matters: Python에서 `from faster_whisper import WhisperModel`을 실행한 뒤 `model = WhisperModel("large-v3", device="cuda", compute_type="float16")`을 실행합니다. 더 작고 빠른 모델을 원하면 `"large-v3"`를 `"tiny"`, `"base"`, `"small"`, `"medium"`으로 바꾸고, GPU가 없다면 `device="cpu"`와 `compute_type="int8"`을 사용하십시오.
4. 4
   오디오 파일을 전사합니다.
   Why it matters: `segments, info = model.transcribe("audio.mp3", beam_size=5)`를 실행합니다. 이는 세그먼트의 제너레이터를 반환하며(리스트가 아님) — 실제로 전사가 실행되려면 이를 반복 처리해야 합니다.
5. 5
   전사 결과를 출력합니다.
   Why it matters: 세그먼트를 반복합니다: `for segment in segments: print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))`. 각 세그먼트에는 시작 시간, 종료 시간, 해당 구간의 전사 텍스트가 포함됩니다.
6. 6
   (선택) VAD 필터링을 활성화합니다.
   Why it matters: `.transcribe()`에 `vad_filter=True`를 전달하면 내장된 Silero VAD 모델을 사용해 무음 구간을 자동으로 건너뛰어, 일시 정지가 포함된 긴 녹음에서 불필요한 연산을 줄일 수 있습니다.
7. 7
   (선택) 단어 수준 타임스탬프를 얻습니다.
   Why it matters: `.transcribe()`에 `word_timestamps=True`를 전달하면 세그먼트별 타이밍 외에 단어별 타이밍도 얻을 수 있으며, 자막 제작이나 발화 중 단어 강조에 유용합니다.

실제 사용 예시

• BatchedInferencePipeline은 WhisperModel을 감싸서 여러 오디오 청크를 병렬로 처리하며, 긴 파일의 처리량을 향상시킵니다: from faster_whisper import BatchedInferencePipeline; batched_model = BatchedInferencePipeline(model=model).
• distil-large-v3와의 호환성. faster-whisper는 distil-large-v3와 같은 증류된 Whisper 변형을 기본적으로 지원합니다 — 일반 모델 이름과 동일한 방식으로 불러오면 약간의 정확도를 약 6배 빠른 추론과 맞바꿀 수 있습니다.

from faster_whisper import WhisperModel

# float16을 사용하는 GPU(가장 빠름, CUDA + cuDNN 필요)
model = WhisperModel("large-v3", device="cuda", compute_type="float16")

# int8을 사용하는 CPU(GPU 불필요, 더 느림)
# model = WhisperModel("base", device="cpu", compute_type="int8")

segments, info = model.transcribe("audio.mp3", beam_size=5, vad_filter=True)

print(f"Detected language '{info.language}' with probability {info.language_probability:.2f}")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

# 비영어권 음성을 영어 텍스트로 직접 번역
segments, info = model.transcribe("french-audio.mp3", task="translate")

# 자막을 위한 단어 수준 타임스탬프
segments, info = 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))

라이선스와 비용

faster-whisper가 적합하지 않은 용도

• Python이 필요 없거나 크로스 플랫폼 바이너리 배포. faster-whisper는 네이티브 CTranslate2 의존성을 가진 Python 라이브러리입니다 — whisper.cpp처럼 단일 의존성 없는 바이너리로 설계되지 않았습니다. Raspberry Pi, iOS 앱, 또는 Python 환경이 없는 WebAssembly 페이지를 대상으로 해야 한다면 whisper.cpp가 더 적합합니다.
• Apple Silicon GPU 가속. faster-whisper의 CTranslate2 백엔드는 CPU와 NVIDIA CUDA를 지원하지만 Apple Metal GPU 가속 경로는 없습니다 — Mac에서는 faster-whisper가 CPU 전용 추론으로 대체됩니다. PromptQuorum의 벤치마크는 Apple Silicon에서 Metal 가속을 사용하는 whisper.cpp가 CPU만 사용하는 faster-whisper보다 눈에 띄게 빠르다는 것을 확인했습니다.
• 화자 분리("누가 무엇을 말했는가"). faster-whisper는 말한 내용을 전사하지만, 여러 사람이 등장하는 녹음에서 서로 다른 화자를 기본적으로 분리하거나 표시하지 않습니다. 화자 분리를 위해서는 전사 결과를 전용 도구와 결합하거나, Whisper 전사 결과 위에 화자 분리를 추가하는 WhisperX를 사용하십시오.
• 비기술 사용자를 위한 제로 설정. faster-whisper는 파이프라인을 구축하는 개발자를 위한 Python 라이브러리이지, 그래픽 인터페이스를 갖춘 최종 사용자 애플리케이션이 아닙니다. 원클릭 전사 앱을 원하는 사용자는 대신 faster-whisper나 whisper.cpp 기반의 애플리케이션이나 호스팅형 전사 서비스를 찾아야 합니다.

faster-whisper의 대안

자주 묻는 질문

결론

출처

• GitHub의 faster-whisper — 공식 저장소: README, 설치 안내, 라이선스, 릴리스 이력.
• faster-whisper 릴리스 — v1.2.1(2025년 10월 31일)을 포함한 버전 이력.
• faster-whisper 라이선스 — MIT 라이선스 전문.
• GitHub의 CTranslate2 — faster-whisper가 기반으로 하는 추론 엔진.
• OpenAI Whisper 발표 — 2022년 Whisper 모델의 최초 공개.

관련 글

• whisper.cpp 대 faster-whisper 2026: 로컬 STT 벤치마크, 설치, GPU 가속 — whisper.cpp와 faster-whisper 사이에서 고민하는 독자를 위한 직접 비교.
• whisper.cpp 리뷰 — Python이 필요 없는 C/C++ 대안을 동일한 깊이로 리뷰.
• 2026년 완전 오프라인 음성 비서 구축하기 — Whisper 기반 음성 인식 엔진을 로컬 LLM 및 Piper TTS와 연결해 완전한 음성 파이프라인 구축.
• Piper TTS 리뷰 — 생성된 텍스트를 오프라인에서 다시 음성으로 변환하는, 로컬 음성 합성 짝꿍 도구.
• 로컬 LLM 소프트웨어 전체 디렉터리 — 모든 카테고리를 아우르는 더 넓은 로컬 AI 도구 디렉터리.