/ Модель

Характеристики

Лицензия
MIT
Архитектура
gigaam · dense
Базовая модель
GigaAM-v3
Библиотека
mlx
Опубликована
13 мар 2026

gigaam-v3-rnnt-mlx

Распознавание речиАудио → текст7 профессий

Конверсия GigaAM v3 RNNT в MLX распознаёт русскую речь на Apple Silicon и возвращает текстовую транскрипцию.

320скачиваний за 30 дней3лайкавеса обновлены27 сен 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

Это конвертированная в формат MLX модель GigaAM v3 RNNT для распознавания русской речи на устройствах Apple Silicon. Она основана на чекпойнте ai-sage/GigaAM-v3, ревизии RNNT; архитектура включает 16-слойный Conformer-энкодер с размерностью 768 и 16 головами внимания. Веса представлены в fp16 и занимают около 423 МБ.

Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт посимвольную транскрипцию русского текста. RNNT-выход состоит из строчных букв русского алфавита без пунктуации; автор сообщает о меньшем WER по сравнению с CTC и приводит результаты оценки на 200 аудиофрагментах. Для пунктуации или нормализации текста потребуется дополнительная обработка.

Репозиторий предназначен для запуска на Apple Silicon с MLX; README также описывает совпадение транскрипций с исходной реализацией PyTorch на проверенной выборке. Лицензия — MIT.

Сценарии применения

  • транскрибация русской речи на Mac
  • распознавание речи без отправки аудио в облако
  • расшифровка монофонических записей с частотой 16 кГц
  • локальная пакетная обработка аудиозаписей

Ограничения

Выводится строчный текст без пунктуации; для пунктуации и нормализации нужна дополнительная обработка. Модель рассчитана на MLX и Apple Silicon, а входные аудиоданные должны быть монофоническими с частотой 16 кГц.

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 v3 RNNT — MLX (Apple Silicon)

MLX conversion of GigaAM v3 RNNT for on-device Russian speech recognition on Apple Silicon. Character-level RNNT model (33 Russian letters + blank): lowercase text without punctuation. Lower WER than CTC, sequential greedy decode.

Usage

The runtime and converter live in mlx_convert/ of misteral/GigaAM (proposed upstream in salute-developers/GigaAM#62).

git clone -b feat/mlx-clean https://github.com/misteral/GigaAM && cd GigaAM/mlx_convert
pip install mlx safetensors numpy huggingface_hub   # ffmpeg is used by load_audio
hf download al-bo/gigaam-v3-rnnt-mlx --local-dir ./gigaam-v3-rnnt-mlx
from gigaam_mlx import load_model, load_audio   # mlx_convert/gigaam_mlx.py

model = load_model("./gigaam-v3-rnnt-mlx")
print(model.transcribe(load_audio("audio.wav")))

Evaluation

Apple M4 Pro (24 GB), mlx 0.32.2, torch 2.14.0; 200 Golos Crowd test clips (823.85 s) — the sample of garrrikkotua/gigaam-vs-whisper-russian, verified by SHA-256. Method and full tables: mlx_convert/eval.

  • Parity with upstream PyTorch (CPU, fp32): identical transcripts on 200/200 clips; encoder output max |Δ| 3.2e-06 median / 1.7e-05 max per clip.
  • WER 1.50% (15 errors / 1001 words), CER 0.24%.
  • Speed, × realtime (200 clips one by one, median 3.9 s / ≈20 s segments): MLX 91 / 102, PyTorch MPS 37 / 40, PyTorch CPU 10 / 39.

Files

  • model.safetensors — fp16 MLX weights (423 MB)
  • config.json — architecture + vocabulary

The upstream checkpoint is stored in fp16, so the fp16 weights here lose nothing on the encoder.

Notes for other runtimes

If you run these weights with your own implementation, two details differ from a textbook Conformer:

  • RoPE is applied to the raw input, split into heads, before the Q/K projections (value is not rotated).
  • The RoPE base is 5000 (pos_emb_max_len), not 10000: upstream calls RotaryPositionalEmbedding(d_model // n_heads, pos_emb_max_len) and the second positional parameter is base. With 10000 transcripts still match on most clips, but encoder outputs are off by up to ~1.8.

Other details: log-mel uses mel_filterbank and stft_window stored in model.safetensors (taken from the PyTorch model, center=False, log(clip(x, 1e-9, 1e9))); Conv1d weights are in MLX layout [out, K, in]; the LSTM bias is bias_ih + bias_hh; blank = len(vocabulary).

License

Model weights: MIT, per the upstream ai-sage/GigaAM-v3 card. Conversion code: MIT. Original project: salute-developers/GigaAM.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
b06b316

0 моделей