/ Модель

Характеристики

Лицензия
MIT
Архитектура
gigaam · dense
Опубликована
14 июл 2026

GigaAM-Multilingual

Распознавание речиАудио → текст7 профессий

Семейство Conformer-моделей для распознавания речи, особенно подходящее для русского, казахского, кыргызского и узбекского языков.

43 267скачиваний за 30 дней96лайковвеса обновлены14 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

GigaAM Multilingual — семейство моделей распознавания речи, разработанное ai-sage. В него входят модели на базе Conformer размером 220 млн и 600 млн параметров: варианты ssl и large_ssl представляют собой самоконтролируемые энкодеры, а ctc и large_ctc дополнены символьными CTC-декодерами для автоматического распознавания речи. Предварительное обучение выполнено на 2 млн часов речи более чем на 70 языках, а варианты для распознавания речи дообучены на 50 тыс. часов аудио.

Модель предназначена для преобразования речи в текст. README сообщает о высоком качестве среди открытых моделей для русского, казахского, кыргызского и узбекского языков и умеренном качестве для английского. В приведённых сравнениях качество различается по языку и набору данных: например, на английском Whisper large v3 и Seamless M4T large v2 показывают меньшую долю ошибок на некоторых тестах. Варианты ssl можно адаптировать к новым языкам. Модели распространяются по лицензии MIT.

Сценарии применения

  • транскрибация русскоязычных аудиозаписей
  • распознавание казахской речи
  • распознавание кыргызской речи
  • распознавание узбекской речи
  • распознавание английской речи
  • адаптация речевого энкодера к новому языку

Ограничения

Качество зависит от языка: README отмечает умеренный результат для английского, а показатели в таблице получены на нормализованных данных и для записей короче 30 секунд. Для вариантов энкодера ssl требуется адаптация и декодер, чтобы использовать их для распознавания речи.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GigaAM Multilingual

GigaAM Multilingual is a family of Conformer-based foundation models (220M / 600M parameters) pre-trained with a HuBERT-style objective on 2M hours of speech across 70+ languages and fine-tuned for speech recognition with character-wise CTC decoders on 50K hours.

The models provide best-in-class open-source quality on Russian, Kazakh, Kyrgyz, and Uzbek, and moderate quality on English.

GigaAM Multilingual includes the following model variants:

  • ssl — 220M self-supervised encoder
  • ctc — 220M ASR model with a character-wise CTC decoder
  • large_ssl — 600M self-supervised encoder
  • large_ctc — 600M ASR model with a character-wise CTC decoder

Model Performance

Word Error Rate (%) on Common Voice (CV), FLEURS, and internal in-the-wild test sets. Utterances longer than 30 s and references containing digits are excluded; references/hypotheses are normalized (lowercasing, punctuation removal, numerals→words); greedy decoding. Best per row in bold.

LanguageDatasetGigaAM MultilingualGigaAM Multilingual LargeOmnilingual 1B (LLM)Seamless M4T large v2Whisper large v3
EnglishCV26.021.524.716.220.0
EnglishFLEURS12.29.47.15.83.9
RussianCV7.15.113.69.29.1
RussianFLEURS4.43.06.44.63.1
RussianInternal7.66.014.616.110.1
KazakhCV17.213.823.723.857.8
KazakhFLEURS5.24.46.66.832.4
KazakhInternal18.815.832.262.965.2
KyrgyzCV12.510.221.614.395.2
KyrgyzFLEURS7.05.58.19.586.3
KyrgyzInternal11.19.825.078.3102.2
UzbekCV11.39.232.825.1109.9
UzbekFLEURS10.07.315.411.9105.4
UzbekInternal13.812.730.240.0120.6

Usage

from transformers import AutoModel

revision = "ctc"  # any variant: ssl, ctc, large_ssl, large_ctc
model = AutoModel.from_pretrained(
    "ai-sage/GigaAM-Multilingual",
    revision=revision,
    trust_remote_code=True,
)

transcription = model.transcribe("example.wav")
print(transcription)

Recommended versions:

  • torch==2.10.*, torchaudio==2.10.*
  • transformers==5.*
  • (any) hydra-core, omegaconf

Full usage guide can be found in the example.

Fine-tuning to a new language

The ssl / large_ssl backbones can be adapted to a new language — see the fine-tuning guide and the example notebook.

Citation

@misc{gigaam_multilingual,
      title={GigaAM Multilingual: Foundation Model for Underrepresented Languages},
      author={Andrei Kuzmenko and Alexandr Maximenko and Aleksandr Kutsakov and Georgii Gospodinov and Dmitrii Bolotov and Oleg Kutuzov and Pavel Bogomolov and Fyodor Minkin},
      year={2026},
      eprint={2607.10371},
      archivePrefix={arXiv},
      primaryClass={eess.AS},
      url={https://arxiv.org/abs/2607.10371}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Ревизия весов
2f8a571

0 моделей