/ Модель

Характеристики

Контекст
1 024 токена
Параметры
51,7 млн
Лицензия
Apache 2.0
Архитектура
whisper_mla · dense
Базовая модель
whisper-base
Библиотека
transformers
Опубликована
6 июл 2026

whisper-base-mla-24lang

Распознавание речиАудио → текст

Компактная мультиязычная модель Whisper для распознавания речи в 24 языках с уменьшенным KV-кэшем декодера.

6скачиваний за 30 дней0лайковвеса обновлены13 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Whisper-Base-MLA-24lang — мультиязычная модель распознавания речи, разработанная Burak Aydin на основе openai/whisper-base. Декодерное self-attention преобразовано из MHA в MLA, после чего модель дообучена для восстановления качества на прикладном наборе из 24 языков. Модель содержит 51,7 млн параметров и предназначена для распознавания аудио; она также может переводить распознанную речь на английский язык благодаря возможностям базовой Whisper.

Главное преимущество — KV-кэш декодерного self-attention на 62,5% меньше, что полезно при ограниченной памяти и одновременной обработке нескольких потоков. В тестах CommonVoice-17 качество заметно различается по языкам: автор предупреждает о высоких ошибках для некоторых языков с малым объёмом обучающих данных. Модель ориентирована на речь, записанную потребительскими микрофонами, и не сохраняет полный охват языков исходной Whisper. Для запуска требуются Transformers 4.46.x и trust_remote_code; Whisper.cpp, CT2 и faster-whisper не поддерживаются. Лицензия — Apache-2.0.

Сценарии применения

  • расшифровка записей речи на 24 языках
  • распознавание речи при ограниченной памяти устройства
  • обработка нескольких потоков аудио с меньшим KV-кэшем
  • перевод распознанной речи на английский язык

Ограничения

Для ряда языков с малым объёмом данных, включая норвежский, корейский, датский и греческий, автор сообщает о очень высоком уровне ошибок. Сжатие затрагивает KV-кэш декодерного self-attention, но не память энкодера и cross-attention; запуск требует Transformers 4.46.x и trust_remote_code.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Whisper-Base-MLA (24 languages) — on-device-tier MLA-Whisper, 62.5% smaller decode KV-cache

openai/whisper-base (74M) with decoder self-attention converted MHA→MLA (Whisper-MLA, arXiv:2603.00563), recovery-fine-tuned on a 24-language application set — a compact, deployable tier of the 24-language line (whisper-tiny-mla-24lang is smaller still).

from transformers import AutoModelForSpeechSeq2Seq
model = AutoModelForSpeechSeq2Seq.from_pretrained("burakaydinofficial/whisper-base-mla-24lang", trust_remote_code=True)  # transformers==4.46.x

Honest sizing note (read first)

Conversion cost GROWS as the model shrinks — measured across the 24-language family: small ≈+0.6 → base ≈+1.1 → tiny ≈+1.9 (approximate per-language medians). At the base tier you pay ≈+1.1 WER (median) for the 62.5% cache cut, and absolute quality is base-tier (much higher WER than small — that is the base model, not MLA). If quality is the priority prefer whisper-small-mla-24lang; this tier is for memory-constrained deployment where the cache cut matters most.

Results (CommonVoice-17 test — Malay from FLEURS, n≤1500/lang (ko 339, no 370, ms 749, vi 1274; rest 1500); cost = paired vs an identically-trained control; CER for th/zh/ja)

langWER%CER%conversion cost (WER pts)sig
en22.011.61.51sig
de30.611.60.83ns
es19.66.80.77sig
fr33.714.40.80sig
it31.99.41.39sig
pt29.010.80.61ns
ru29.89.11.71sig
nl27.910.41.06sig
pl36.011.01.60sig
id39.914.11.31sig
tr40.212.21.39sig
hi37.018.70.63sig
ms36.712.81.65sig
sv-SE44.316.81.10sig
th66.924.00.17ns
zh-CN43.725.70.54ns
cs54.115.80.85sig
vi44.522.51.31sig
fi53.612.22.61sig
el55.320.73.69sig
da56.923.80.91ns
jan/a33.9-0.42ns
nn-NO69.427.02.07sig
ko60.629.1-1.57ns

Thin-CommonVoice languages (Korean, Norwegian, Danish, Greek, Finnish, Czech, Vietnamese) are the weakest — a DATA limit, not an MLA one. At this base tier several are near-floor (WER: nn-NO 69.4, ko 60.6, da 56.9, el 55.3) — reported for transparency, marginal-to-unusable; at that error level the paired "conversion cost" is dominated by metric noise, not MLA. So restrict the size-cost curve to the usable-WER languages. Per-language cost also depends on the recovery mix — a language's cost here differs from the same language in whisper-base-mla-cv11 (the 11-language model); expected (mix composition moves the low-rank fit), not irreproducibility. Malay was trained on FLEURS (no CV Malay exists; FLEURS is CC-BY-4.0; its eval-only license respected — audio used for training, never redistributed).

Matched control now published — verify the conversion cost yourself: burakaydinofficial/whisper-base-24lang (trained identically, minus the MHA→MLA conversion). Evaluate both with scripts/validate.py.

Limitations

  • What the 62.5% is (cache scope): it is the decode self-attention KV-cache — the part that grows with output length and concurrency. The (larger, encoder-length ~1500-frame) cross-attention/encoder memory is NOT compressed, so single-stream total decode-memory savings are modest; the 62.5% cut compounds at output-length × batch concurrency, which is where it pays off.
  • Runtime: requires trust_remote_code + transformers==4.46.x (no whisper.cpp/CT2/faster-whisper).
  • Language coverage: covers these 24 languages; erodes Whisper's others.
  • Decoding: greedy-decode evals (beam-5 adds ~1-2 WER on both arms; conversion cost unchanged — measured).
  • Domain: consumer-mic read-speech.
  • Training: 15k steps, warmup+cosine, encoder frozen both arms, dev-selected, bf16 (weights released as fp16).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
WhisperMLAForConditionalGeneration
Ревизия весов
2047d9a

0 моделей