/ Модель

Характеристики

Лицензия
MIT
Архитектура
gigaam · dense
Опубликована
17 апр 2026

GigaAM-v3

Распознавание речиАудио → текст6 профессий

GigaAM-v3 — семейство Conformer-моделей для распознавания русской речи, включая варианты с пунктуацией и нормализацией текста.

1 033скачиваний за 30 дней0лайковвеса обновлены9 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-v3 — третье поколение семейства моделей GigaAM, разработанное для распознавания русской речи. Это модель на архитектуре Conformer размером 220–240 млн параметров, предварительно обученная на разнообразных русскоязычных аудиоданных с целью HuBERT-CTC. В семействе представлены самоконтролируемый энкодер и варианты распознавания с декодерами CTC и RNN-T; сквозные варианты также выполняют пунктуацию и нормализацию текста.

Модель предназначена для транскрибации речи в разных условиях, включая разговоры в колл-центрах, речь с фоновой музыкой, естественную речь и записи с нетипичными характеристиками голоса. README сообщает об улучшении качества на новых доменах и приводит результаты на наборах русской речи. Для отдельных вариантов доступны исходные веса FP16 и квантизированные FP8; указанные тесты показывают близкое качество транскрипции FP8 к FP16.

Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Модель ориентирована на русский язык; метаданные карточки также отмечают английский язык, но README не описывает качество распознавания английской речи. Результаты зависят от варианта модели и условий записи; опубликованные сравнения и оценки не гарантируют такое же качество на произвольных данных.

Сценарии применения

  • транскрибация разговоров в колл-центре
  • распознавание речи с фоновой музыкой
  • перевод русской речи в текст
  • получение текста с пунктуацией и нормализацией
  • распознавание естественной речи в разных акустических условиях

Ограничения

README подробно описывает распознавание русской речи, но не подтверждает качество для английского языка. Точность зависит от акустических условий и выбранного варианта модели.

Для каких профессий подходит6

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

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.

FP8 quantization

The e2e_ctc, ctc, e2e_rnnt, and rnnt branches additionally carry FP8 (E4M3) quantized weights alongside the original fp16 weights:

  • model.safetensors — original fp16 weights
  • model_fp8.safetensors — FP8 E4M3 weights (per-output-channel scales) + per-tensor activation scales (model_fp8.safetensors.activation_scales.json)

Quantization targets the GEMM layers (encoder feed-forward and attention projections; RNNT joint enc/pred). All variants use post-training quantization (PTQ) with per-tensor activation calibration — no fine-tuning is required. FP8 PTQ tracks the fp16 model closely for both CTC and RNNT.

Measured over 1000 held-out audio samples, FP8 transcription closely tracks the fp16 baseline — transcripts are identical for 93–99% of samples, and FP8 WER vs ground truth stays within ±0.2% of fp16:

VariantWord disagreement (FP8 vs fp16)Transcripts identicalΔWER vs fp16
e2e_ctc1.55%93.6%+0.00
ctc1.59%93.4%+0.06
e2e_rnnt0.85%97.1%−0.16
rnnt0.26%99.1%+0.06

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.

Ревизия весов
55c9d20

0 моделей