mtmd: add chunks and fix preproc for qwen3a

[ngxson]

Overview

Fix #22357

Fixes for qwen3-asr:

• fix preprocessing (add padding and normalization)
• add chunking + attn mask
• remove the unused clip_has_whisper_encoder API

Testing

audio file from: #22357 (comment)

language English<asr_text>If you look at the AI sector landscape more broadly, what you've seen is OpenAI's early dominance being challenged increasingly by Anthropic. Anthropic is drawing investor interest at a valuation of 800 billion dollars or higher, making it close to, if not the most valuable startup.

audio file from "I have a dream", truncated to 2 minutes: i-have-a-dream-2m.mp3

language English<asr_text>I have a dream that one day every valley shall be exalted, every hill and mountain shall be made low. The rough places will be made plain, and the crooked places will be made straight. And the glory of the Lord shall be revealed, and all flesh shall see it together. This is our hope. This is the faith that I go back to the south with. With this faith, we will be able to chew out of the mountain of despair a stone of hope. With this faith, we will be able to transform the jangling discord of our nation into a beautiful symphony of brotherhood. With this faith, we will be able to work together, to pray together, to struggle together, to go to jail together, to stand up for freedom together, knowing that we will be free one day. This will be the day when all the God's children will be able to sing with new meaning. My country tears at thee. Sweet land of liberty, we shall sing. Land where my fathers died, land of the pilgrim's pride. From every mountain side, let freedom ring. And America is to be a great nation. This must become true. And so let freedom ring. From the prodigious hill tops of New Hampshire, let freedom ring. From the mighty mountains of New York, let freedom ring. From the heightening Alleghanies of Pennsylvania, let freedom ring. From the snow cap Rockies of Colorado, let freedom ring. From the curvaceous slopes of California. Not only that, let freedom ring from Stone Mountain of Georgia. Let freedom ring from Lookout Mountain of Tennessee.

vietnamese audio about the city of Hue, mixed between music and speech: audio_hue.mp3

language Vietnamese<asr_text>Thành phố Huế là vùng đất cổ thuộc tỉnh Thừa Thiên Huế. Thành phố tựa lưng vào dãy Trường Sơn và nằm cách biển không xa. Nơi đây đã được chọn làm kinh đô của triều Ngụy từ năm một nghìn tám trăm linh hai đến năm một nghìn chín trăm bốn mươi lăm. Cổ đô Huế nổi tiếng với các kiến trúc cung đình, thành quách, đền miếu lăng tẩm của các vua Chúa triều Ngụy và được công nhận là di sản văn hóa thế giới vào năm một nghìn chín trăm chín mươi ba. nét đặc sắc của văn hóa Huế là kết hợp hài hòa giữa văn hóa dân gian và văn hóa cung đình. Nhã nhạc cung đình Huế năm hai nghìn lẻ ba đã được UNESCO công nhận là di sản văn hóa phi vật thể và quyền hội của nhân loại. Vẻ đẹp của Huế và lịch sử mà nó là nhân chứng đã đem đến cho Huế một sức hấp dẫn về văn hóa và du lịch và trở thành thành phố festival ở Việt Nam.

Requirements

• I have read and agree with the contributing guidelines
• AI usage disclosure: yes, for investigating bugs, writing the preprocessor and debug my cgraph code

[SmartestWashingMachine]

Btw, is this correct or should qwen3-asr be <|audio_start|> / <|audio_end|>?

llama.cpp/tools/mtmd/mtmd.cpp

Lines 527 to 528 in 1e8a82e

	aud_beg = "<|audio_bos|>";
	aud_end = "<|audio_eos|>";

because qwen3-asr template uses those

and in pytorch we get:
<|im_start|>system\n<|im_end|>\n<|im_start|>user\n<|audio_start|>...<|audio_end|>.....

[ngxson]

thanks, it's fixed in the latest commit

[ngxson]

asking for a re-approval, thanks! @ggerganov @ServeurpersoCom

[ngxson]

sorry, one more approval please 😅