/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
whisper · dense
Библиотека
mlx
Опубликована
10 сен 2026

bengali-whisper-medium-mlx-8bit

Распознавание речиАудио → текст4 профессии

8-битная MLX-версия дообученной BengaliAI модели Whisper Medium для транскрипции бенгальской речи на Mac с Apple Silicon.

121скачиваний за 30 дней3лайкавеса обновлены10 сен 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 8-битная MLX-версия Whisper Medium, дообученной BengaliAI для распознавания региональных вариантов бенгальского языка. Автор карточки модели адаптировал веса для запуска на компьютерах Mac с Apple Silicon и не проводил дополнительного обучения. Указана аффинная 8-битная квантизация с размером группы 64; часть тензоров сохраняет плавающую точность. Лицензия — Apache-2.0.

Модель преобразует бенгальскую речь в текст. Пример скрипта из карточки принимает WAV или FLAC, приводит звук к моно с частотой 16 кГц и обрабатывает фрагменты длительностью до 26 секунд; максимальный вывод на фрагмент — 440 токенов. В описанном тесте 8-битная версия обрабатывала пятиминутную запись быстрее и с меньшим пиковым потреблением памяти, чем MLX fp16, однако тест не измерял точность транскрипции.

Модель может ошибаться на тишине и шуме; обнаружение пауз по энергии способно разрезать непрерывную речь внутри слова. Совпадение результатов с fp16 на 24 коротких клипах не подтверждает общую точность или качество на каждом диалекте. Работа на Android и Raspberry Pi не проверялась.

Сценарии применения

  • транскрибация бенгальской речи из WAV и FLAC
  • распознавание речи на региональных диалектах бенгальского языка
  • локальная транскрипция аудиозаписей на Mac с Apple Silicon

Ограничения

Модель может ошибаться на тишине и шуме, а энергетическое обнаружение пауз может разрезать непрерывную речь внутри слова. Ограниченные тесты не подтверждают общую точность и качество для всех бенгальских диалектов; работа на Android и Raspberry Pi не проверялась.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Bengali Whisper Medium — MLX 8-bit

This model converts Bengali speech to text on Apple Silicon Macs. It uses the weights from BengaliAI regional Whisper Medium. This release changes the model format and weight precision. It includes no additional training.

PropertyValue
LanguageBengali
Model formatMLX
Weight precision8-bit affine quantization; group size 64
Weight file size814 MB
Tested hardwareApple M4 Pro; 20 GPU cores; 48 GB memory
Tested softwarePython 3.13; MLX 0.32.1; MLX Audio 0.5.3
LicenseApache-2.0

Quantization reduces weight precision to decrease file size. Some tensors retain floating-point precision. The model requires more memory than its weight file size.

Installation

  1. Create a Python environment.

    python3 -m venv .venv
    
  2. Activate the environment.

    source .venv/bin/activate
    
  3. Install the download tool.

    pip install huggingface-hub
    
  4. Download the model.

    hf download tuxboy/bengali-whisper-medium-mlx-8bit --local-dir bengali-whisper-medium-mlx-8bit
    
  5. Install the required packages.

    pip install -r bengali-whisper-medium-mlx-8bit/requirements.txt
    

Transcription

Use a WAV or FLAC file. Replace recording.wav with the path to your audio file.

python bengali-whisper-medium-mlx-8bit/transcribe.py recording.wav

The script converts audio to mono at 16 kHz. It divides audio at pauses into sections of 26 seconds or less. It processes each section separately. The maximum output is 440 tokens per section.

The script includes whisper_compat.py. This file corrects a token lookup error in MLX Audio 0.5.3. Without this correction, the decoder can fail to stop. The correction does not change installed packages.

Speed test

Each test used the same 300-second recording and 13 audio sections. Each test ran once after a warm-up run.

RuntimeProcessing timePeak process memory (RSS)
PyTorch/MPS fp1643.78 s5.13 GB
MLX fp1624.79 s2.12 GB
MLX 8-bit20.76 s1.41 GB

Times include feature extraction and decoding. Times exclude model loading, file access, and audio conversion. These results apply to this test. They do not measure transcription accuracy.

Limits

  • The model can produce incorrect words for silence or noise. The script disables the no-speech filter.
  • Pause detection uses audio energy. Continuous speech can cause cuts within words.
  • The 8-bit and fp16 outputs matched on 24 short OpenSLR53 clips. This small test does not establish general accuracy.
  • Tests do not establish accuracy for each Bengali dialect.
  • Android and Raspberry Pi operation have not been tested.

Source and license

BengaliAI trained the source model on Ben-10. See the source model card for the research citation.

Source revision: 76cce9a874e8752d561a7aff28f01383df270db4.

See LICENSE for the Apache-2.0 license. See export-provenance.json for conversion data. See SHA256SUMS.json for file checksums.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
a9714df

0 моделей