/ 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
3 июл 2026

whisper-tiny-mla-cv11

Распознавание речиАудио → текст9 профессий

Компактная многоязычная модель на базе Whisper-Tiny для транскрибации речи с уменьшенным на 62,5% KV-кэшем декодера.

12скачиваний 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-Tiny-MLA — компактная модель распознавания речи, разработанная Burak Aydin на базе OpenAI Whisper-Tiny. Декодерная self-attention преобразована из MHA в MLA, а модель дообучена для восстановления качества на 11 языках корпуса Whispered. Веса содержат 29,4 млн параметров и распространяются в формате safetensors; лицензия — Apache-2.0.

Модель предназначена для транскрибации речи в текст, особенно в сценариях с ограниченной памятью и параллельной обработкой записей: сжатие KV-кэша декодера составляет 62,5%. Поддерживаются английский, немецкий, испанский, французский, русский, турецкий, арабский, валлийский, грузинский, тайский и китайский языки. Для загрузки требуются transformers 4.46.x и trust_remote_code=True.

Компромисс за сокращение кэша — ухудшение качества распознавания: автор сообщает о медианном росте WER примерно на 1,9 пункта относительно аналогично обученной модели без преобразования. Экономия относится к KV-кэшу self-attention декодера; память энкодера и cross-attention не сжимается, поэтому выигрыш для одиночной короткой записи может быть небольшим. Модель проверялась на read-speech; качество на телефонной речи, дальней дистанции и перекрывающейся речи не оценено. Грузинский обозначен как нижний предел качества этого класса модели, а незнакомые письменности распознаются хуже.

Сценарии применения

  • транскрибация записей на поддерживаемых языках
  • распознавание речи на устройстве с ограниченной памятью
  • пакетная обработка множества аудиозаписей с экономией памяти
  • создание текстовых субтитров для записей

Ограничения

Преобразование в MLA повышает медианный WER примерно на 1,9 пункта относительно аналогично обученного контрольного варианта; выигрыш памяти относится только к KV-кэшу self-attention декодера. Модель не оценивалась на телефонной и дальней речи или перекрывающихся голосах; для запуска нужны transformers 4.46.x и trust_remote_code=True.

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

The on-device-tier sibling of the WhisperMLA family: openai/whisper-tiny (39M) 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-tiny-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 tiny tier you pay ≈ +1.9 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
en29.1 / 15.8+2.41 ✱
de42.8 / 16.6+1.95 ✱
es29.4 / 10.7+1.07 ✱
fr45.4 / 20.1+2.05 ✱
ru42.9 / 14.2+3.32 ✱
tr53.7 / 17.6+2.63 ✱
cy86.5 / 38.0−0.19 (ns)
ar67.5 / 28.7+1.58 ✱
th80.9 / 31.1+0.81 CER ✱
zh53.7 / 33.2−1.63 CER (ns)
ka122.1 / 81.0−0.50 (ns) — floor

Absolute quality is tiny-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-tiny-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 22.9 · de 37.1 · es 24.2 · fr 44.6 · ru 46.5 · tr 50.9 · cy 88.1 · ar 70.6 · th 44.4 · zh-CN 32.3 · ka 100.9. (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
16e1706

0 моделей