/ Модель

Характеристики

Лицензия
MIT
Опубликована
9 июл 2026

gigaam-v3-onnx-ru

Распознавание речиАудио → текст

Квантованная ONNX-версия GigaAM-v3 распознаёт русскую речь и быстро транскрибирует аудиозаписи, в том числе на CPU.

0скачиваний за 30 дней0лайковвеса обновлены9 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

Dimitrius174 опубликовал ONNX-версию GigaAM-v3 для распознавания русской речи. Модель принимает аудио и преобразует его в текст; она подходит для офлайн-транскрибации записей и обработки речи на CPU. В карточке указаны около 222,5 млн параметров и архитектура Conformer с RNNT: 16-слойный энкодер, LSTM-декодер и совместная сеть. Веса экспортированы в ONNX и квантизованы до Int8; автор сообщает о CER около 4,9% на тестовом наборе и RTF около 0,04 на CPU.

Модель ориентирована на русский язык: словарь включает русские буквы и пробел. Для вычисления мел-спектрограмм требуются PyTorch и torchaudio; пунктуация добавляется отдельной моделью Silero, загружаемой через torch.hub. Репозиторий распространяется по лицензии MIT. Заявленные показатели качества относятся к тестовому набору автора и могут отличаться на реальных записях.

Сценарии применения

  • транскрибация русскоязычных аудиозаписей
  • офлайн-распознавание речи на CPU
  • преобразование русской речи в текст в настольном приложении

Ограничения

Модель предназначена для русского языка. Указанный CER получен на тестовом наборе автора, а пунктуация обеспечивается отдельной моделью Silero.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GigaAM-v3 ONNX — Russian Speech Recognition

GigaAM-v3 (222.5M params) exported to ONNX with Int8 quantization. CER ~4-5%, RTF ~0.04 on CPU (25× faster than real time).

Quick Start

pip install onnxruntime numpy torch torchaudio soundfile pandas

python3 recognize.py speech.wav

Result: "В древнем Китае использовали уникальный способ обозначения периодов времени."

Знаки препинания (заглавные буквы, запятые, точки) восстанавливаются автоматически через Silero TE model (скачивается при первом запуске).

Без пунктуации: --no-punct

Model Files

FileSizeDescription
model/gigaam_v3_rnnt_encoder.onnx305 MBConformer encoder (Int8)
model/gigaam_v3_rnnt_decoder.onnx3.2 MBLSTM decoder
model/gigaam_v3_rnnt_joint.onnx1.4 MBJoint network
model/gigaam_v3_rnnt_tokens.txt195 BToken vocabulary (33 chars + blank)

Architecture

  • Encoder: Conformer 16 layers, 768 dim (222M params)
  • Decoder: LSTM 1 layer, 320 dim + Embedding (34→320)
  • Joint: 2× Linear(768→320, 320→320) + ReLU + Linear(320→34)
  • Vocabulary: 33 Russian letters + space + <blk>

Performance

MetricValue
Params222.5M
CER (test set)~4.9%
RTF (CPU, FP32)0.04
RTF (CPU, Int8)0.03
Avg decode (12s audio)~450 ms (FP32) / ~320 ms (Int8)

Usage

Command Line

# Recognize a WAV file (16kHz, mono)
python3 recognize.py speech.wav

# Benchmark
python3 recognize.py --benchmark

Python API

from recognize import GigaAMRecognizer

asr = GigaAMRecognizer('model')

# From file
text = asr.transcribe('speech.wav')

# From numpy array (16kHz, mono)
import soundfile as sf
audio, sr = sf.read('speech.wav')
text = asr.transcribe_raw(audio)

print(text)  # "эта идея пришла из китая где излюбленным цветком был цвет сливы"

GUI (offline ASR app)

python3 asr_gui.py

Buttons: 🎤 Start / ⏹ Stop. Text is copied to clipboard automatically.

Requirements

  • Python 3.10+
  • onnxruntime (or onnxruntime-gpu for GPU)
  • numpy
  • torch, torchaudio (for mel spectrogram)
  • soundfile
  • pandas (optional, for dataset evaluation)
  • Silero punctuation model (auto-downloaded via torch.hub, ~87MB)

License

MIT. The underlying GigaAM-v3 model is from ai-sage/GigaAM-v3.

Citation

@software{gigaam_v3_onnx,
  title = {GigaAM-v3 ONNX: Russian Speech Recognition},
  author = {Sber AI},
  year = {2024},
  url = {https://huggingface.co/ai-sage/GigaAM-v3}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
9572bfa

0 моделей