企业官网建设流程全解析

distil-large-v2是从 Whisper large-v2 蒸馏而来的轻量级英文语音识别（ASR）模型，转写速度已是原版的6 倍。本文带你用 Flash Attention 2 与 BetterTransformers 两大官方推荐优化，在同显卡上再压榨出约 2 倍的转写速度；即使显卡资源有限，也能在 3 分钟内完成语音识别加速配置。

1️⃣ distil-large-v2 为什么已经很快？

先建立直觉，理解"提速空间在哪"，后面的优化才不会盲目：

• 模型仅756M参数（Whisper large-v2 为 1550M），从 config.json 可以看到解码器被压缩到仅2 层（原版为 32 层），编码器保留 32 层。
• 官方在 README.md 中指出：解码器的自回归生成占据总推理时间的 90% 以上——这正是注意力加速技术的最佳着力点。
• 精度方面，WER（词错误率）与原版差距不足 1%，属于"又快又准，还能更快"的理想对象。

2️⃣ 方案一：一行代码开启 Flash Attention 2（NVIDIA 显卡首选）

Flash Attention 2 是官方第一推荐的优化方案。只要你的显卡支持（RTX 30/40 系、A100、H100 等，sm80+），它就是首选。

第一步：安装 flash-attn

pip install flash-attn --no-build-isolation

第二步：加载模型时加一个参数

model = AutoModelForSpeechSeq2Seq.from_pretrained( "distil-whisper/distil-large-v2", torch_dtype=torch_dtype, use_flash_attention_2=True, # 一行加速 )

无需改动任何业务代码，推理路径会自动切换到 Flash Attention 内核，显存占用同时下降。

💡 小技巧：FA2 在 FP16/BF16 下收益最大，记得加载时指定torch_dtype=torch.float16。

3️⃣ 方案二：BetterTransformers 加速指南（不支持 FA2 的显卡）

如果显卡较老或环境装不了 flash-attn，可以用 BetterTransformers 调用 PyTorch 原生的 Scale-Product-Attention（SDPA）内核，获得接近的加速效果。

第一步：安装 optimum 库

pip install --upgrade optimum

第二步：加载模型后执行转换

model = model.to_bettertransformer() # 一行完成转换

转换后照常调用generate即可，模型会自动走优化后的注意力实现。

两种加速方案快速对比

4️⃣ 再叠加 3 个"免费"提速技巧

• FP16 半精度：加载时设torch_dtype=torch.float16，显存减半，也是上述两种加速的前置条件。
• 长音频分块批处理：对超过 30 秒的音频，给pipeline传入chunk_length_s=15, batch_size=16，多块并发转写，官方实测比 Whisper 原版顺序算法快9 倍。
• 投机解码：把 distil-large-v2 作为 whisper-large-v2 的"助手模型"，数学上保证输出与原版完全一致，同时快2 倍——是最优雅的无损失提速。
• 限制生成长度：短音频建议max_new_tokens=128，避免解码器空转。

完整的参数组合示例均可在 README.md 中查到。

5️⃣ 没有 GPU？用 whisper.cpp 在 CPU 上跑

仓库内已附带 ggml 格式权重，可直接配合 whisper.cpp 使用：

• ggml-large-32-2.en.bin（量化版，推荐）
• ggml-large-32-2.fp32.en.bin（全精度版）

在 Mac M1 上实测，distil-large-v2 比 large-v2 快2 倍，长音频 WER 差距仅 0.1%。想在纯 CPU 或 Apple Silicon 上部署语音转文字，这是最省心的路径。

6️⃣ 模型文件怎么选？

仓库提供多框架权重，按技术栈对号入座即可：

配套的 tokenizer.json、preprocessor_config.json、generation_config.json 随权重一起加载即可，无需修改。

7️⃣ 总结

• 首选Flash Attention 2：一行use_flash_attention_2=True，高端 NVIDIA 显卡收益最佳。
• 备选BetterTransformers：model.to_bettertransformer()，安装简单、兼容性广。
• 别忘了叠加 FP16、长音频分块批处理、投机解码这三招"免费"提速。
• 无 GPU 环境，whisper.cpp + ggml 权重的 CPU 推理同样值得尝试。

按上述组合落地后，distil-large-v2 可以在保持 WER 差距 1% 以内的前提下，把转写延迟再压缩一大截——快，而且是真的快。