# Whisper base для LiteRT: локальная транскрипция с временными метками слов

Источник: https://modelium.tech/zhurnal/whisper-base-litert-word-timings-on-device/

1 октября 2026 года Kairoi опубликовала конверсию Whisper base в один файл LiteRT/TFLite: модель возвращает логиты распознавания и cross-attention для вычисления временных меток слов на устройстве. Файл весит 78 307 600 байт; доступны исходный скрипт конверсии и закреплённая ревизия. Это компонент для интеграции, а не готовое приложение или независимо проверенный ASR-бенчмарк.

Whisper base в LiteRT: метки слов из одного локального пакета

1 октября 2026 года Kairoi загрузила конверсию OpenAI Whisper base для LiteRT/TFLite с выходом cross-attention выравнивающих голов. В репозитории лежат модель `whisper_base_align_i8.tflite`, токенизатор и скрипт конверсии; история Hugging Face показывает первоначальную загрузку в этот день. Это новые подготовленные для устройства файлы уже существующей модели, а не новая версия базового Whisper или самостоятельное приложение. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

## Что меняется для разработчика

Пакет определяет три сигнатуры: `encode` принимает log-mel представление до 30 секунд, `decode` выдаёт логиты текущего токена, `align` возвращает матрицу cross-attention размерности `[8, 128, 1500]`. После распознавания эту матрицу можно использовать для выравнивания текстовых токенов с аудио — автор ссылается на алгоритм Whisper с медианной фильтрацией и динамическим сопоставлением (DTW). Выравнивание получается из той же модели без отдельного весового пакета для forced alignment. При этом 128 позиций токенов, подготовка mel-спектрограммы, декодирование и постобработка остаются обязанностью интегратора: один `.tflite` не является готовой командой «аудио → текст с таймкодами». [s1](#src-s1) [s3](#src-s3)

По данным HF API, файл модели занимает 78 307 600 байт; в закреплённой ревизии его LFS SHA-256 — `89039546781546ae51fa6b3044f447cdfc268f957a44975744022974f67fdfde`. Это размер загрузки на диске, **не** минимальное требование к RAM. Для воспроизводимой интеграции стоит закрепить commit `b57f67c657547f1f820722648132e048eb5362ee`, скачать модель и токенизатор именно из него, проверить контрольную сумму и самостоятельно проверить доступность трёх сигнатур в своей сборке LiteRT. Скрипт конверсии указывает исходный `openai/whisper-base` на ревизии `e37978b90ca9030d5170a5c07aadb050351a65bb` и фиксирует версии основных библиотек; запуск и мобильную совместимость Modelium не тестировал. [s2](#src-s2) [s3](#src-s3) [s4](#src-s4)

## Чего не доказывают авторские замеры

Карточка сообщает тест на Pixel с шестью потоками и 24 фрагментами LibriSpeech dev-clean общей длительностью 204 секунды: WER 7,86% для этого пакета против 7,66% у указанной автором ранее опубликованной LiteRT-сборки Whisper base, а скорость — 2,54× против 2,27× реального времени. Доли начала слов в пределах 100 мс от Montreal Forced Aligner автор приводит отдельно, с поправкой на смещение референса. Это **замеры автора на конкретной выборке**, а не независимое сравнение на разных языках, устройствах и условиях записи; точная модель Pixel в карточке не указана. Точность русских таймкодов из этих чисел вывести нельзя. [s1](#src-s1)

## Права и практический выбор

Карточка нового пакета обозначает MIT и включает текст лицензии Whisper от OpenAI, а исходный чекпойнт `openai/whisper-base` в HF помечен Apache-2.0; издатель приложил также `LICENSE-APACHE`. Поэтому при перераспространении нужно проверить уведомления и условия обоих исходных артефактов, не подменяя лицензирование весов маркировкой конверсионного скрипта. Открытый файл весов, опубликованный код конверсии и возможность коммерческого использования — разные вопросы. [s1](#src-s1) [s4](#src-s4) [s5](#src-s5)

Выбирайте эту сборку, если в приложении уже есть собственный LiteRT-пайплайн Whisper и требуется экспериментировать с временными метками слов без второго выравнивающего чекпойнта. Если нужен готовый CLI, работающий рецепт интеграции или подтверждённая точность для русского, эта публикация их пока не предоставляет: сперва проверьте свой язык, подготовку аудио и поведение таймкодов на собственном корпусе. [s1](#src-s1) [s3](#src-s3)

## Источники

1. [Kairoi — pinned model card Whisper base LiteRT word timings](https://huggingface.co/Kairoi-LLC/whisper-base-litert-word-timings/blob/b57f67c657547f1f820722648132e048eb5362ee/README.md) — получено 2026-10-01
2. [Hugging Face API — модель, файлы и LFS SHA-256](https://huggingface.co/api/models/Kairoi-LLC/whisper-base-litert-word-timings/revision/b57f67c657547f1f820722648132e048eb5362ee?blobs=true) — получено 2026-10-01
3. [Kairoi — закреплённый скрипт конверсии LiteRT](https://huggingface.co/Kairoi-LLC/whisper-base-litert-word-timings/blob/b57f67c657547f1f820722648132e048eb5362ee/convert-whisper-litert.py) — получено 2026-10-01
4. [OpenAI Whisper base — исходный HF чекпойнт](https://huggingface.co/openai/whisper-base/tree/e37978b90ca9030d5170a5c07aadb050351a65bb) — получено 2026-10-01
5. [Kairoi — MIT LICENSE в закреплённом репозитории](https://huggingface.co/Kairoi-LLC/whisper-base-litert-word-timings/blob/b57f67c657547f1f820722648132e048eb5362ee/LICENSE) — получено 2026-10-01