/ Модель

Характеристики

Контекст
1 024 токена
Параметры
29,4 млн
Лицензия
Apache 2.0
Архитектура
whisper_mla · dense
Базовая модель
whisper-tiny
Библиотека
transformers
Опубликована
6 июл 2026

whisper-tiny-mla-24lang

Распознавание речиАудио → текст6 профессий

Многоязычная версия Whisper tiny с MLA для транскрибации речи при ограничениях по памяти.

10скачиваний 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

Это дообученная модель распознавания речи burakaydinofficial на базе OpenAI Whisper tiny. В ней декодерное MHA-внимание преобразовано в MLA (Multi-Head Latent Attention), а затем модель восстановительно дообучена на прикладном наборе из 24 языков. Она содержит 29,4 млн параметров и предназначена для транскрибации речи, в частности при ограниченной памяти устройства: размер KV-кэша декодерного self-attention сокращён на 62,5%. Модель загружается через Transformers с trust_remote_code и версией 4.46.x; веса опубликованы в формате safetensors.

В тестах CommonVoice-17 качество существенно различается по языкам. Для нескольких языков с малым объёмом данных ошибки очень высоки, поэтому результаты для них практически непригодны; целевая область — речь, записанная на потребительский микрофон, в спокойном режиме чтения. Сокращение кэша относится только к декодерному self-attention: память энкодера и cross-attention не сжата, поэтому экономия общей памяти при одном потоке скромнее. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация записанной речи на поддерживаемых языках
  • распознавание речи на устройстве с ограниченной памятью
  • субтитры для аудио на английском и европейских языках
  • пакетная расшифровка коротких записей на поддерживаемых языках

Ограничения

Качество зависит от языка: на нескольких языках с малым объёмом обучающих данных WER составляет 69–83%, что делает распознавание практически непригодным. Модель ориентирована на речь, записанную на потребительский микрофон; сжатие памяти охватывает только декодерный self-attention, а для запуска требуются trust_remote_code и Transformers 4.46.x.

Для каких профессий подходит6

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

openai/whisper-tiny (39M) with decoder self-attention converted MHA→MLA (Whisper-MLA, arXiv:2603.00563), recovery-fine-tuned on a 24-language application set — the smallest, most deployable tier of the 24-language line.

from transformers import AutoModelForSpeechSeq2Seq
model = AutoModelForSpeechSeq2Seq.from_pretrained("burakaydinofficial/whisper-tiny-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 tiny tier you pay ≈+1.9 WER (median) for the 62.5% cache cut, and absolute quality is tiny-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
en29.816.01.69ns
de44.117.01.97sig
es30.911.21.39sig
fr47.120.92.38sig
it45.113.81.32sig
pt44.717.31.65ns
ru43.914.63.28sig
nl40.516.11.76sig
pl49.616.02.33sig
id54.920.11.94ns
tr54.217.92.17sig
hi47.625.11.66sig
ms51.119.21.64sig
sv-SE60.524.92.57sig
th83.832.50.43ns
zh-CN55.634.5-0.23ns
cs69.622.02.39sig
vi56.329.31.94sig
fi69.518.22.57sig
el69.028.25.37sig
da75.833.82.05ns
jan/a48.3-0.50ns
nn-NO82.934.6-10.16ns
ko78.044.36.61sig

Thin-CommonVoice languages (Korean, Norwegian, Danish, Greek, Finnish, Czech, Vietnamese) are the weakest — a DATA limit, not an MLA one. At this tiny tier several are FLOOR cells (WER 69–83%: nn-NO 82.9, ko 78.0, da 75.8, cs 69.6, fi 69.5, el 69.0) — reported for transparency, NOT usable, exactly like Georgian at small sizes. At that error level the paired "conversion cost" is metric noise, not an MLA effect (e.g. nn-NO −10.16 just means one near-garbage arm hallucinated less on a 370-clip pool) — so the size-cost curve applies only to the languages where both arms are actually usable, not to these floor cells. Per-language cost also depends on the recovery mix: a language's cost here differs from the same language in whisper-tiny-mla-cv11 (the 11-language model) — expected (mix composition moves each language's 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-tiny-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
73cc483

0 моделей