النموذج المحول المدرب على أساس معيار مستوى التسلسل يتطلب الكثير من الذاكرة بسبب إنشاء مصفوفة الاحتمالات الكبيرة. اقترحنا نموذجًا خفيف الوزن من المحولات يعتمد على معيار مستوى الإطار، حيث يستخدم نتائج خوارزمية التوافق القسري لـ CTC لتحديد العلامة لكل إطار. ثم يمكن دمج مخرجات المُشفِّر مع مخرجات المُفكِّك في الوقت المقابل، بدلاً من إضافة كل عنصر تخرجه المُشفِّر إلى كل عنصر تخرجه المُفكِّك كما هو الحال في النموذج المحول. هذا يقلل بشكل كبير من متطلبات الذاكرة والحساب. للتعامل مع مشكلة التصنيف غير المتوازن الناجم عن وجود فراغات زائدة في العلامات، قمنا بفصل احتمالات الفراغ وغير الفراغ وقطع تدرج تصنيف الفراغ إلى الشبكة الرئيسية. أظهرت التجارب على AISHELL-1 أن هذا يمكّن النموذج الخفيف الوزن من تحقيق نتائج مشابهة لنماذج المحولات. بالإضافة إلى ذلك، نحن نستخدم معلومات أكثر غنىً لتوقع احتمالية الفراغ، مما يؤدي إلى تحقيق نتائج أفضل من نماذج المحولات.