/ Модель

Характеристики

Контекст
5 000 токенов
Параметры
151 млн
Лицензия
MIT
Архитектура
gigaam · dense
Опубликована
29 июл 2026

GigaAM-v3-e2e-rnnt-vllm

Распознавание речиАудио → текст7 профессий

Conformer-модель GigaAM-v3 с декодером RNN-T для распознавания русской речи и выдачи нормализованного текста с пунктуацией.

703скачиваний за 30 дней0лайковвеса обновлены3 авг 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

por62/GigaAM-v3-e2e-rnnt-vllm — версия GigaAM-v3, подготовленная для запуска в контейнере vLLM. Это модель распознавания речи на основе Conformer с декодером RNN-T и сквозной обработкой аудио: она преобразует русскую речь в нормализованный текст с пунктуацией. В README указано, что семейство GigaAM-v3 разработано на основе предварительного обучения на русской речи с целью HuBERT-CTC; эта версия соответствует варианту e2e_rnnt. Метаданные репозитория указывают 151,2 млн параметров и формат safetensors.

Модель предназначена для транскрибации русской речи в разных акустических условиях, включая разговоры в колл-центрах, фоновую музыку и естественную речь. README сообщает об улучшении среднего качества на новых доменах и приводит результаты сравнений, однако численные показатели могут зависеть от тестового набора и условий оценки. Метаданные также отмечают английский язык, но README описывает обучение и основные сценарии для русской речи. Лицензия — MIT.

Сценарии применения

  • транскрибация разговоров в колл-центре
  • распознавание естественной русской речи
  • расшифровка речи на фоне музыки
  • автоматическая расшифровка аудиозаписей с пунктуацией
  • преобразование русской речи в нормализованный текст

Ограничения

README описывает обучение и основные результаты для русской речи; поддержка английского указана в метаданных, но её качество и сценарии не раскрыты. Показатели из README зависят от наборов данных и условий оценки.

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

Версия модели для запуска в контейнере vLLM.

Плагин для запуска https://github.com/por62/vllm-gigaam

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

Нельзя запустить

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

Класс архитектуры
GigaAMForTranscription
Ревизия весов
c6d9d0e

0 моделей