/ Модель

Характеристики

Параметры
905 млн
Лицензия
Apache 2.0
Архитектура
whisper_mla · dense
Базовая модель
whisper-large-v3
Библиотека
transformers
Опубликована
5 июл 2026

whisper-large-v3-mla-cv11

Распознавание речиАудио → текст10 профессий

Whisper-Large-v3-MLA — мультиязычная модель транскрибации речи в текст с сокращённым KV-кэшем декодера.

17скачиваний 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-Large-v3-MLA — модель распознавания речи, разработанная Burak Aydın на основе OpenAI Whisper large-v3. Декодерная self-attention преобразована из MHA в MLA, что сокращает KV-кэш декодирования на 62,5%; после преобразования модель дообучена на корпусе Whispered для восстановления качества. Модель содержит 905,2 млн параметров и предназначена для транскрибации речи в текст на 11 языках.

На тестах CommonVoice-17 авторы сообщают, что цена преобразования по качеству статистически незначима для 9 из 11 языков; заметные различия указаны для арабского и китайского. Сокращение относится к KV-кэшу self-attention декодера: память энкодера и cross-attention не сжата, поэтому выгода для одной короткой последовательности ограничена и заметнее при длинной генерации и высокой параллельности. Модель ориентирована на чистую речь, записанную потребительскими микрофонами; качество может снижаться для незнакомых письменностей, а для грузинского автор отмечает слабые результаты. Для загрузки требуются Transformers 4.46.x и trust_remote_code=True; модель не поддерживает whisper.cpp, faster-whisper и CTranslate2. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация записей на поддерживаемых языках
  • распознавание речи в аудиозаписях с потребительского микрофона
  • пакетная обработка длинных аудиозаписей с экономией памяти декодера
  • создание текстовых расшифровок для английской, русской и других поддерживаемых речей

Ограничения

Сокращается только KV-кэш self-attention декодера, а память энкодера и cross-attention остаётся несжатой. Модель требует Transformers 4.46.x и trust_remote_code=True; на незнакомых письменностях качество снижается, а для грузинского результаты слабые.

Для каких профессий подходит10

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-Large-v3-MLA (11 languages) — compression cost ≈ statistical zero

openai/whisper-large-v3 with decoder self-attention converted MHA→MLA (Whisper-MLA, arXiv:2603.00563) and recovery-fine-tuned on the CC0 Whispered corpus — the same model that annotated that corpus, now with a 62.5% smaller decode KV-cache. Conversion cost vs an identically-trained unconverted control: not statistically significant on 9 of 11 languages (significant only on ar +0.56 WER and zh +0.52 CER; median ≈ +0.1). n=1500/lang, paired per-speaker bootstrap.

from transformers import AutoModelForSpeechSeq2Seq
model = AutoModelForSpeechSeq2Seq.from_pretrained("burakaydinofficial/whisper-large-v3-mla-cv11", trust_remote_code=True)  # transformers==4.46.x

Results (CommonVoice-17 test, greedy, Whisper normalization + Arabic folding)

LangWER/CER %conversion cost
en6.6 / 3.2+0.20 ns
de5.3 / 1.9+0.09 ns
es4.2 / 1.4+0.02 ns
fr9.6 / 3.6+0.08 ns
ru4.2 / 1.1−0.03 ns
tr8.4 / 1.9−0.08 ns
cy35.8 / 12.0+0.67 ns
ar16.6 / 6.0+0.56 ✱
th14.0 / 4.4−0.02 CER ns
zh18.3 / 9.7+0.52 CER ✱
ka72.3 / 34.3+0.22 ns — floor

Size-scaling (measured across the released family): conversion cost falls with model size — tiny ≈+1.9 → base ≈+1.0 → small ≈+0.4 → medium ≈+0.4 → large ≈ 0 (approximate per-size medians; the exact per-language costs are in each model's table). We preregistered predictions twice and revised twice (decay → "saturation" → decay-to-zero); the monotone decline is the honest result.

Matched control now published — verify the conversion cost yourself: burakaydinofficial/whisper-large-v3-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 (measured); ka reported but weak at every size.
  • Consumer-mic read-speech domain (SNR-ladder at small: cost flat to 0 dB); greedy-decode evals — beam-5 adds ~1-2 WER on both arms without changing the conversion cost (measured on the small tier).
  • Training: 15k steps, warmup+cosine, encoder frozen both arms, dev-selected, bf16; released weights fp16 (~3.1 GB).

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 8.0 · de 7.2 · es 5.8 · fr 8.5 · ru 9.5 · tr 10.8 · cy 33.5 · ar 13.2 · th 17.9 · zh-CN 10.0 · ka 87.7. (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
7f6852a

0 моделей