/ 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
3 июл 2026

whisper-base-mla-cv11

Распознавание речиАудио → текст8 профессий

Мультиязычная модель на базе Whisper Base распознаёт речь в аудио и сокращает KV-кэш декодирования для развёртывания с ограниченной памятью.

15скачиваний за 30 дней1лайквеса 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 — модель распознавания речи от burakaydinofficial, созданная на основе OpenAI Whisper Base. В ней декодерное self-attention преобразовано из MHA в MLA, что сокращает KV-кэш декодирования на 62,5%; размер модели — 51,7 млн параметров. Модель дообучена для восстановления качества после преобразования на 11 языках корпуса Whispered и рассчитана на сценарии с ограниченной памятью, где важен размер кэша при генерации и параллельной обработке аудио.

Модель предназначена для автоматической транскрипции речи. В README приведены результаты для английского, немецкого и испанского на CommonVoice-17, а также оценки на FLEURS; тесты описаны для записей речи с потребительских микрофонов и фонового шума. Преобразование MLA связано с медианным ухудшением WER примерно на 1 пункт относительно сопоставимого необработанного варианта Whisper Base.

Для загрузки требуются transformers версии 4.46.x и trust_remote_code=True; модель несовместима с whisper.cpp, faster-whisper и CTranslate2. Заявленная языковая область ограничена 11 языками обучения, а на невиданных письменностях качество снижается. KV-кэш cross-attention и память энкодера не сжимаются, поэтому экономия общей памяти при одном потоке может быть скромной. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация записей на поддерживаемых языках
  • распознавание речи на устройствах с ограниченной памятью
  • пакетная транскрибация нескольких аудиозаписей
  • создание субтитров из речи

Ограничения

После преобразования в MLA медианный WER ухудшается примерно на 1 пункт относительно сопоставимого Whisper Base; качество снижается на невиданных письменностях, а грузинский обозначен как нижний предел пригодности этой версии. Нужны transformers 4.46.x и trust_remote_code=True; far-field, телефония и перекрывающаяся речь не оценивались.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Whisper-Base-MLA (11 languages) — MLA-converted, 62.5% smaller decode KV-cache

The on-device-tier sibling of the WhisperMLA family: openai/whisper-base (74M) with its decoder self-attention converted MHA→MLA (per Whisper-MLA, arXiv:2603.00563), recovery-fine-tuned on 11 languages of the CC0 Whispered corpus (32k clips/lang).

from transformers import AutoModelForSpeechSeq2Seq
model = AutoModelForSpeechSeq2Seq.from_pretrained("burakaydinofficial/whisper-base-mla-cv11", trust_remote_code=True)  # transformers==4.46.x

Honest sizing note (read this first)

Conversion cost grows as the student shrinks — measured across the family: small ≈ +0.4 median WER → base ≈ +1.0 → tiny ≈ +1.9. At the base tier you pay ≈ +1.0 WER (median) for the 62.5% cache cut. If quality is the priority, prefer the small variant; this tier is for memory-constrained deployments where the cache cut matters most.

Results (CommonVoice-17 test, n=1500/lang; WER/CER %; cost = paired vs an identically-trained unconverted control)

Langthis model (WER / CER)conversion cost
en21.1 / 11.2+1.04 ✱
de30.1 / 11.3+0.83 (ns)
es19.0 / 6.7+0.88 ✱
fr32.3 / 13.9+0.59 (ns)
ru28.8 / 8.7+1.31 ✱
tr38.9 / 11.8+1.13 ✱
cy79.9 / 34.2+2.10 ✱
ar58.9 / 24.5+2.71 ✱
th62.3 / 22.3+0.24 CER (ns)
zh41.8 / 24.6−0.27 CER (ns)
ka111.8 / 75.8+12.74 ✱ — floor

Absolute quality is base-tier-typical (much lower than small — that is the base model, not MLA). Encoder frozen both arms; 15,000 steps; warmup+cosine; bf16 (weights released as fp16).

Matched control now published — verify the conversion cost yourself: burakaydinofficial/whisper-base-cv11 (trained identically, minus the MHA→MLA conversion). Evaluate both with scripts/validate.py.

Limitations

  • Costs are recovery-mix-specific: do NOT compare a language's conversion cost across the cv11 and 24-language lines — different recovery sets move each language's low-rank fit (French in the small model: +0.32 cv11 vs +1.22 24-lang). Not irreproducibility.
  • 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.
  • Requires trust_remote_code=True and transformers==4.46.x (custom MLA attention modules); not loadable in whisper.cpp / faster-whisper / CTranslate2.
  • Language coverage is the 11 recovery languages — unseen scripts degrade.
  • Georgian (ka) reported as the labeled model-class floor; not usable at this tier.
  • Read-speech domain, greedy-decode evals — beam-5 adds ~1-2 WER on both arms without changing the conversion cost (measured on the small tier).

Acoustic conditions of the evaluation

Evaluated on crowdsourced consumer-microphone recordings with real environmental noise — traffic, room reverb, variable devices — CommonVoice's native conditions, not studio audio. The numbers above already include that heterogeneity. Not yet benchmarked: far-field, telephony (8 kHz), overlapping speech; an SNR-ladder robustness section will be added when measured.

FLEURS (out-of-domain) — this model, WER% (CER% for th/zh)

ABSOLUTE FLEURS numbers on a different read-speech corpus. Do NOT compare these per-language to the CommonVoice table above — the corpora differ in transcript normalization/orthography and speaker pools (e.g. Welsh reads easier on FLEURS, Georgian worse), so cross-corpus swings are corpus artifacts, not model behavior. The clean out-of-domain claim is the PAIRED MLA-vs-control cost (verified to be small on the small tier). Per-language absolute: en 16.1 · de 25.8 · es 15.3 · fr 30.4 · ru 30.5 · tr 36.0 · cy 82.0 · ar 55.4 · th 34.7 · zh-CN 23.5 · ka 100.2. (Full JSON: the release repo's eval artifacts.)

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
07d2604

0 моделей