whisper.cpp在Windows VS的编译

Whisper是OpenAI开源的一款语音识别的模型，包含有英语和多国语言的模型，根据实际情况来看，其支持的90多种语言的准确率着实表现惊艳，英文甚至可以做到3%左右的误词率，官方图表显示中文的误词率大约是14%，但是实际使用的情况来看，误词率也是相当低，几乎也在3%左右。

整个whisper系列一共有5个级别的模型，按参数量进行排序，分别是微型tiny，基本base，小型small，中型medium，大型large。

Github上有一个whisper.cpp可以通过C++跨平台部署，支持了Mac/iOS/Android/Linux/Windows/Raspberry Pi等平台。

这里主要是将如何使用源码在Windows平台MSVC上进行编译。实际使用MinGW应该一样或者更加简单。

首先通过Github将源码下载下来：

git clone https://github.com/ggerganov/whisper.cpp

然后通过models/download-ggml-model.cmd进行权重文件下载。

models/download-ggml-model.cmd base

参数base可以替换为base.en,tiny,tiny.en,small,small.en,medium,medium.en,large带en后缀的表示是英语模型，不带en后缀的是多国语言模型。

然后使用cmake-GUI进行项目配置，源码目录设置为源代码的地址C:/GitRepos/whisper.cpp-master，在文件夹下创建一个build文件夹作为输出地址：如C:/GitRepos/whisper.cpp-master/build。点击Confiure后，如果有安装CUDA环境，可以勾选WHISPER_CUBLAS在推理的时候更快，如果没有的话也可以不勾。点击Confiure后确认没有红色内容后点击Generate和Open Project。

在打开VS后需要修改一项内容，在whisper项目右击，属性，在C++->Command Line里面的Addtional Options里面添加/utf-8, 否者whisper.cpp里面有一些未ASCII字符会导致编译whisper.dll的时候出错。注意Debug与Release都要添加。

或者如果只编译CPU版本，不启用CuBlas的话，也可以在CMakeList.txt文件上添加add_compile_options(/utf-8),PR 721：

project(whisper.cpp VERSION 1.4.2)

if ("${CMAKE_CXX_COMPILER_ID}" STREQUAL "MSVC")
    add_compile_options(/utf-8)
endif ()

# Add path to modules
list(APPEND CMAKE_MODULE_PATH "${CMAKE_CURRENT_SOURCE_DIR}/cmake/")

但是启用CuBlas的话，只能通过右键属性更改，否则/utf-8这个编译参数也会带到nvcc编译器的编译过程中，但是nvcc并不支持这个参数，Issue 840.

修改完成后通过Build->Batch Build...将ALL_BUILD的Debug和Release打钩后点击Build即可。不出意外编译成功应该是输出类似以下内容：

========== Build: 11 succeeded, 0 failed, 1 up-to-date, 0 skipped ==========

然后可以在build/bin/Release(Debug)中看到main.exe文件，通过命令行执行这个文件就可以，注意携带参数。

C:\GitRepos\whisper.cpp-master\build\bin\Release> .\main.exe -m ..\..\..\models\ggml-tiny.bin -f ..\..\..\samples\jfk.wav
whisper_init_from_file_no_state: loading model from '..\..\..\models\ggml-tiny.bin'
whisper_model_load: loading model
whisper_model_load: n_vocab       = 51865
whisper_model_load: n_audio_ctx   = 1500
whisper_model_load: n_audio_state = 384
whisper_model_load: n_audio_head  = 6
whisper_model_load: n_audio_layer = 4
whisper_model_load: n_text_ctx    = 448
whisper_model_load: n_text_state  = 384
whisper_model_load: n_text_head   = 6
whisper_model_load: n_text_layer  = 4
whisper_model_load: n_mels        = 80
whisper_model_load: ftype         = 1
whisper_model_load: qntvr         = 0
whisper_model_load: type          = 1
whisper_model_load: mem required  =  201.00 MB (+    3.00 MB per decoder)
whisper_model_load: adding 1608 extra tokens
whisper_model_load: model ctx     =   73.62 MB
whisper_model_load: model size    =   73.54 MB
whisper_init_state: kv self size  =    2.62 MB
whisper_init_state: kv cross size =    8.79 MB

system_info: n_threads = 4 / 16 | AVX = 1 | AVX2 = 1 | AVX512 = 0 | FMA = 1 | NEON = 0 | ARM_FMA = 0 | F16C = 1 | FP16_VA = 0 | WASM_SIMD = 0 | BLAS = 1 | SSE3 = 1 | VSX = 0 | COREML = 0 |

main: processing '..\..\..\samples\jfk.wav' (176000 samples, 11.0 sec), 4 threads, 1 processors, lang = en, task = transcribe, timestamps = 1 ...


[00:00:00.000 --> 00:00:10.500]   And so my fellow Americans ask not what your country can do for you ask what you can do for your country.


whisper_print_timings:     load time =   926.39 ms
whisper_print_timings:     fallbacks =   0 p /   0 h
whisper_print_timings:      mel time =   153.92 ms
whisper_print_timings:   sample time =    17.06 ms /    25 runs (    0.68 ms per run)
whisper_print_timings:   encode time =   225.90 ms /     1 runs (  225.90 ms per run)
whisper_print_timings:   decode time =    70.32 ms /    25 runs (    2.81 ms per run)
whisper_print_timings:    total time =  1413.72 ms

在对比了CPU与GPU版本发现，GPU的时间更长，主要是GPU版本在加载模型的load time更长了，实际的推理时间约500ms相比GPU的800ms要短一些的。