/ Модель
Каталог

Характеристики

Лицензия
MIT
Библиотека
coreml
Опубликована
15 июл 2026

Ссылки

Hugging Face

gigaam-multilingual-large-ctc-coreml

vadimsuhanov
Распознавание речиАудио → текст

Модель GigaAM Multilingual Large CTC в формате Core ML распознаёт русскую и английскую речь офлайн на Mac.

3скачиваний за 30 дней0лайковвеса обновлены15 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

Это преобразованная в формат Core ML модель распознавания речи GigaAM Multilingual Large CTC из репозитория ai-sage/GigaAM-Multilingual. Она предназначена для офлайн-транскрибации русской и английской речи в приложении MeetingTranscriber на Mac с Apple Silicon. Модель использует архитектуру CTC; опубликованы веса FP32, а входное окно ограничено 25 секундами монофонического аудио 16 кГц. На выходе модель формирует логиты для 70 токенов и CTC blank-класса, а жадное декодирование выполняет приложение.

Модель поддерживает русский и английский языки, включая смешанную речь; режим автоопределения в приложении ориентируется на письменность распознанного текста. Требуются macOS 26 или новее и среда Core ML ML Program. Модель рассчитана на офлайн-транскрибацию, но сама не выполняет ресэмплинг, VAD-разбиение, декодирование, определение языка по акустике или построение временных меток слов. Распространяется по лицензии MIT.

Сценарии применения

  • транскрибация русской речи на Mac без интернета
  • транскрибация английской речи на Mac без интернета
  • распознавание смешанной русско-английской речи
  • добавление распознавания речи в приложение для macOS на Core ML

Ограничения

Принимает один пример за раз и обрабатывает окна длительностью не более 25 секунд; подготовка аудио, разбиение на фрагменты, CTC-декодирование и формирование временных меток выполняются приложением. Автоопределение языка основано на письменности распознанного текста, а не на акустическом анализе.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GigaAM Multilingual Large CTC for Core ML

Model description

This repository contains a native Core ML conversion of the multilingual GigaAM Large CTC speech-recognition model. It is intended for offline Russian and English transcription in the MeetingTranscriber macOS application.

Provenance

  • Upstream repository: ai-sage/GigaAM-Multilingual
  • Immutable upstream revision: 3905cd51c3ed4e88c8edf33f3302969ba480a327
  • Upstream variant: large_ctc
  • Conversion precision: FP32

The FP16 candidate was not published because it failed strict PyTorch/Core ML numeric and token-frame parity gates. The validated artifact uses FP32 weights.

Requirements

  • Apple Silicon Mac
  • macOS 26 or later
  • Core ML ML Program runtime
  • Mono 16 kHz PCM audio

Core ML contract

  • Maximum input window: 25 seconds
  • features: float32 [1, 64, 2499] log-mel features
  • feature_length: int32 [1]
  • logits: float32 [1, 625, 71]
  • encoded_length: int32 [1]
  • Vocabulary tokens: 70
  • CTC classes: 71
  • Blank ID: 70
  • Greedy CTC decoding is performed by the application

Languages and Auto detection

The application exposes Russian (ru), English (en), and Auto/Bilingual. Fixed language selection controls result metadata and does not filter characters from the shared vocabulary. Auto examines recognized Unicode letters: at least 80% Cyrillic selects Russian, at least 80% Latin selects English, and mixed or empty text remains Auto.

Validation

The FP32 Core ML output was compared with the pinned PyTorch source on private Russian, English, and mixed-alphabet fixtures. The published validation report requires finite outputs, exact greedy token sequences, exact emitted token frames, bounded logit error, bounded timestamp error, and no WER regression. Fixture audio, transcripts, paths, caches, and credentials are not included.

Limitations

  • The model accepts one batch item and at most 25 seconds per inference.
  • Audio resampling, VAD chunking, decoding, language metadata, and word timing construction are application responsibilities.
  • Auto detection is alphabet-based; it is not a separate acoustic language model.
  • Validation of mixed-alphabet input does not add a third fixed language mode.

License

The upstream model and this conversion are distributed under the MIT license. See LICENSE for the complete license text.

Files

  • model.mlpackage: FP32 Core ML ML Program
  • model-config.json: fixed feature and encoder contract
  • vocabulary.json: ordered 70-token vocabulary
  • conversion-manifest.json: provenance, tensor declarations, and SHA-256 inventory
  • validation-report.json: public, path-free parity metrics
  • LICENSE: MIT license text

Как запустить

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

GPU в ailist

Универсальный рантайм · coreml

Нельзя запустить

CoreML-модели работают только на устройствах Apple.

Ревизия весов
518c29a

0 моделей

    Создать бенчмарк