/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
Apache 2.0
Архитектура
whisper_mla · dense
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
5 июл 2026

whisper-small-mla-24lang

Распознавание речиАудио → текст9 профессий

Мультиязычная модель на базе Whisper-small для распознавания речи на 24 языках с сокращённым KV-кэшем декодера.

11скачиваний 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-Small-MLA-24lang — модель распознавания речи, созданная Burak Aydin на основе openai/whisper-small. Декодер преобразован из MHA в MLA, после чего модель дообучена для восстановления качества на наборе из 24 языков. В ней 153,1 млн параметров; в формате весов Safetensors, библиотека Transformers. Лицензия — Apache-2.0.

Модель предназначена для транскрибирования речи на английском, немецком, испанском, французском, итальянском, португальском, русском, нидерландском, польском, индонезийском, турецком, хинди, малайском, шведском, тайском, китайском, чешском, вьетнамском, финском, греческом, датском, японском, норвежском и корейском языках. По данным карточки, преобразование сокращает KV-кэш декодера на 62,5%; экономия относится к кэшу self-attention и не распространяется на память энкодера и cross-attention.

В оценке на Common Voice 17 качество существенно различается по языкам: результаты сильнее на испанском, английском, нидерландском, русском, итальянском и португальском, а на некоторых языках с малым объёмом данных, включая корейский, норвежский, датский и греческий, заметно слабее. Модель рассчитана на речь с потребительских микрофонов и чтение подготовленного текста. Для запуска требуются trust_remote_code и Transformers 4.46.x; whisper.cpp, CT2 и faster-whisper не поддерживаются.

Сценарии применения

  • транскрибирование русской речи в аудиозаписях
  • распознавание английской и европейской речи с потребительского микрофона
  • создание субтитров для записей на поддерживаемых языках
  • расшифровка подготовленной речи на японском, китайском или тайском
  • развёртывание ASR с меньшим KV-кэшем при параллельной обработке аудио

Ограничения

Качество заметно зависит от языка: на языках с малым объёмом обучающих данных ошибки выше. Модель ориентирована на речь с потребительских микрофонов и чтение подготовленного текста; для запуска нужны trust_remote_code и Transformers 4.46.x.

Для каких профессий подходит9

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-Small-MLA (24 languages) — MLA-converted Whisper, 62.5% smaller decode KV-cache

openai/whisper-small (244M) with decoder self-attention converted MHA→MLA (Whisper-MLA, arXiv:2603.00563), recovery-fine-tuned on a 24-language application set. Same 62.5% decode-cache cut as the rest of the family, on a wider language span. Conversion cost vs an identically-trained unconverted control: not statistically significant on 15 of 24 languages (n≤1500/lang (ko 339, no 370, ms 749, vi 1274; rest 1500), paired per-speaker bootstrap).

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

Results (CommonVoice-17 test — Malay from FLEURS, n≤1500/lang (ko 339, no 370, ms 749, vi 1274; rest 1500); CER is the metric for th/zh/ja)

langWER%CER%conversion cost (WER pts)sig
en12.96.70.72sig
de15.55.50.59sig
es10.03.3-0.01ns
fr20.38.01.22sig
it15.14.2-0.25ns
pt15.15.30.32ns
ru14.74.20.69sig
nl13.64.40.42ns
pl17.85.00.50ns
id20.26.60.69ns
tr22.06.00.89sig
hi24.212.00.96sig
ms21.07.60.94sig
sv-SE22.98.00.93sig
th37.412.40.25ns
zh-CN28.515.5-0.08ns
cs27.97.20.54ns
vi28.613.60.28ns
fi28.85.60.34ns
el32.811.32.34sig
da32.912.00.59ns
jan/a24.31.01ns
nn-NO44.416.01.29ns
ko45.618.31.34ns

Read this before deploying — data-driven quality tiers

The 24 languages are NOT equal in training data, and it shows in the absolute WER (the compression cost is small/ns almost everywhere — quality is a data story, not an MLA story):

  • Well-resourced (usable): es 10, en 12.9, nl 13.6, ru 14.7, it/pt 15.1, de 15.5 WER; th CER 12.4, zh CER 15.5.
  • Thin CommonVoice data (weaker, use with care): Korean 45.6, Norwegian 44.4, Danish 32.9, Greek 32.8, Finnish 28.8, Vietnamese 28.6, Czech 27.9 WER — single-shard languages in CV17.
  • Malay (ms, 21.0 WER) was trained on FLEURS (no CommonVoice Malay exists; FLEURS is CC-BY-4.0); its eval-only license respected — the FLEURS audio is used for training here, never redistributed.
  • Per-language conversion cost depends on the recovery mix: a shared language's cost here differs from the same language in whisper-small-mla-cv11 (the 11-language model) — e.g. French +1.22 here vs +0.32 there. Expected (mix composition moves each language's low-rank fit), not irreproducibility. Sub-zero costs on the CER-scored spaceless languages (zh) are within metric noise, not an MLA gain.

Matched control now published — verify the conversion cost yourself: burakaydinofficial/whisper-small-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 (unseen scripts most).
  • Decoding: greedy-decode evals (beam-5 adds ~1-2 WER on both arms; conversion cost unchanged — measured).
  • Domain: consumer-mic read-speech.
  • Compression cost: ≈ small-tier — ≈+0.6 median across all 24 languages here (≈+0.4 across the well-resourced subset). For reference, the 11-language cv11 family cost curve is tiny ≈+1.9 → base ≈+1.0 → small ≈+0.4 → medium ≈+0.4 → large ≈0 (approximate per-size medians).
  • 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
10d2ac4

0 моделей