/ Модель

Характеристики

Лицензия
MIT
Базовая модель
GigaAM-v3
Библиотека
transcribe.cpp
Опубликована
13 мая 2026

gigaam-v3-e2e-rnnt-gguf

Распознавание речиАудио → текст4 профессии

GigaAM-v3 RNNT GGUF — это конверсия модели ai-sage/GigaAM-v3, подготовленная handy-computer для запуска в transcribe.cpp.

70 849скачиваний за 30 дней3лайкавеса обновлены15 окт 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

Модель предназначена для автономного распознавания русской речи и преобразования аудио в текст без подключения к интернету. Она использует жадное декодирование RNN-T и не применяет внешнюю языковую модель.

Модель основана на 16-слойном Conformer-энкодере и содержит около 220–240 млн параметров в исходной версии. Она обучалась на разнообразных русскоязычных аудиоданных, включая разговоры в колл-центрах, естественную речь, речь с фоновой музыкой и речь с особенностями произношения. Доступны варианты GGUF с представлением F32, F16 и квантованием Q8_0, Q6_K, Q5_K_M и Q4_K_M; их размер составляет примерно от 183 до 888 МБ. Модель выдаёт строчные русские символы без пунктуации, поддерживает токенные временные метки, но не поддерживает потоковую обработку, перевод и автоматическое определение языка.

На полном тестовом наборе FLEURS для русского языка показатель WER составляет около 8,07–8,12% в зависимости от варианта квантования. Сильными сторонами являются офлайн-работа, компактные квантованные версии, отсутствие заметной потери качества при квантовании и оптимизация для запуска через transcribe.cpp на CPU, Metal и Vulkan. Ограничения включают поддержку только русского языка, отсутствие пунктуации и нормализации текста, невозможность потокового распознавания и необходимость подавать аудио в формате моно WAV с частотой 16 кГц. Модель распространяется по лицензии MIT, унаследованной от базовой модели.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GigaAM-v3: transcribe.cpp GGUF

GGUF conversions of ai-sage/GigaAM-v3 for use with transcribe.cpp.

Ported from upstream commit ec1dc1f, pinned 2026-05-12. Validated against the gigaam author package reference at transcribe.cpp commit 0fff13f8 on 2026-10-15.

Offline Russian speech-to-text with greedy RNN-T decoding. 16-layer Conformer encoder paired with an RNN-T transducer head. Output is cased Russian with punctuation, decoded from a 1024-piece SentencePiece tokenizer. Not a streaming model and does not translate. Audio past the 25 s training window is encoded in overlapping windows.

Downloads

QuantizationDownloadSizeWER (FLEURS ru)
F32gigaam-v3-e2e-rnnt-F32.gguf890 MB5.35%
F16gigaam-v3-e2e-rnnt-F16.gguf452 MB5.35%
Q8_0gigaam-v3-e2e-rnnt-Q8_0.gguf274 MB5.35%
Q6_Kgigaam-v3-e2e-rnnt-Q6_K.gguf228 MB5.37%
Q5_K_Mgigaam-v3-e2e-rnnt-Q5_K_M.gguf206 MB5.42%
Q4_K_Mgigaam-v3-e2e-rnnt-Q4_K_M.gguf184 MB5.36%

WER on the full FLEURS ru split (775 utterances), batch sizes 1 and 8, timestamps none. Figures without a commit were published before provenance was recorded.

Greedy decoding, no external LM. F32 reference baseline: 5.35%. Upstream gigaam author package measured on the same manifest: 6.78%; the 1.4 pp gap is upstream rejecting 5 long (>25 s) utterances with Too long wav file, use 'transcribe_longform' method. (counted as 100% deletion errors). On the 770-utt subset both sides decode, transcribe.cpp matches upstream exactly. ai-sage does not publish a FLEURS ru WER; this number is measured here.

Usage

Build transcribe.cpp from source:

git clone git@github.com:handy-computer/transcribe.cpp.git
cd transcribe.cpp
cmake -B build && cmake --build build

Run on a 16 kHz mono WAV:

build/bin/transcribe-cli \
  -m gigaam-v3-e2e-rnnt-Q8_0.gguf \
  input.wav

If your audio isn't already 16 kHz mono WAV, convert it first:

ffmpeg -i input.mp3 -ar 16000 -ac 1 output.wav

See the transcribe.cpp model page for performance numbers, numerical validation, and reproduction steps.

License

Inherited from the base model: MIT. See the upstream model card for full terms.


Original Model Card

The section below is reproduced from ai-sage/GigaAM-v3 at commit ec1dc1f for offline reference. The upstream card is the authoritative source.

GigaAM-v3

GigaAM-v3 is a Conformer-based foundation model with 220–240M parameters, pretrained on diverse Russian speech data using the HuBERT-CTC objective. It is the third generation of the GigaAM family and provides state-of-the-art performance on Russian ASR across a wide range of domains.

GigaAM-v3 includes the following model variants:

  • ssl — self-supervised HuBERT–CTC encoder pre-trained on 700,000 hours of Russian speech
  • ctc — ASR model fine-tuned with a CTC decoder
  • rnnt — ASR model fine-tuned with an RNN-T decoder
  • e2e_ctc — end-to-end CTC model with punctuation and text normalization
  • e2e_rnnt — end-to-end RNN-T model with punctuation and text normalization

GigaAM-v3 training incorporates new internal datasets: callcenter conversations, speech with background music, natural speech, and speech with atypical characteristics. the models perform on average 30% better on these new domains, while maintaining the same quality as previous GigaAM generations on public benchmarks.

The table below reports the Word Error Rate (%) for GigaAM-v3 and other existing models over diverse domains.

Set NameV3_CTCV3_RNNTT-One + LMWhisper
Open Datasets3.02.65.712.0
Golos Farfield4.53.912.216.7
Natural Speech7.86.914.513.6
Disordered Speech20.619.251.059.3
Callcenter10.39.513.523.9
Average9.28.419.425.1

The end-to-end ASR models (e2e_ctc and e2e_rnnt) produce punctuated, normalized text directly. In end-to-end ASR comparisons of e2e_ctc and e2e_rnnt against Whisper-large-v3, using Gemini 2.5 Pro as an LLM-as-a-judge, GigaAM-v3 models win by an average margin of 70:30.

For detailed results, see metrics.

Usage

from transformers import AutoModel

revision = "e2e_rnnt"  # can be any v3 model: ssl, ctc, rnnt, e2e_ctc, e2e_rnnt
model = AutoModel.from_pretrained(
    "ai-sage/GigaAM-v3",
    revision=revision,
    trust_remote_code=True,
)

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

Recommended versions:

  • torch==2.8.0, torchaudio==2.8.0
  • transformers==4.57.1
  • pyannote-audio==4.0.0, torchcodec==0.7.0
  • (any) hydra-core, omegaconf, sentencepiece

Full usage guide can be found in the example.

License: MIT

Paper: GigaAM: Efficient Self-Supervised Learner for Speech Recognition (InterSpeech 2025)

Как запустить

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

GPU в ailist

Универсальный рантайм · transcribe.cpp

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
9d3ef0b

0 моделей