Перейти к содержимому
G

GigaAM

Бесплатный тариф

Семейство открытых акустических моделей SberDevices для распознавания русской речи под лицензией MIT. Версия v3 предобучена на 700 тыс. часов речи, варианты e2e сразу ставят пунктуацию, модели экспортируются в ONNX. Для разработчиков, которым нужен распознаватель на своих серверах.

github.com/salute-developers/GigaAM

Вы из GigaAM? Убрать баннеры и аналоги

Основная информация

Страна
Россия
Языки
Английский, Русский
Поддержка
Issues на GitHub
Стоимость
Бесплатно
Пробный период
Нет, есть бесплатный тариф

Технические характеристики

Разработчик
SberDevices
Лицензия
MIT License
Открытый исходный код
Да — код на GitHub, веса на Hugging Face
Коммерческое использование
Разрешено: лицензия MIT даёт право использовать, изменять, распространять и продавать копии
Архитектура модели
Энкодер Conformer, декодеры CTC и RNN-T
Размеры модели
v3 — 220–240 млн параметров; multilingual — 220 и 600 млн
Объём обучающих данных
v3 — 700 000 часов предобучения, 4 000 часов разметки; multilingual — 2 млн часов на 70 с лишним языках
Языки распознавания
Линии v1–v3 — русский; multilingual — 70 с лишним языков
Точность распознавания (WER)
v3_rnnt: 2,4 % (Golos Crowd), 3,9 % (Golos Farfield), 4,4 % (Russian LibriSpeech), 0,9 % (Common Voice 19), 17,4 % (OpenSTT Phone Calls); среднее по 10 наборам — 8,3 %
Автопунктуация
Да — в вариантах v3_e2e_ctc и v3_e2e_rnnt
Тайм-коды
Таймкоды слов
Максимальная длительность файла
Функция transcribe — до 25 секунд; длиннее — transcribe_longform с pyannote.audio
Форматы экспорта
ONNX (fp32 или fp16), TensorRT для Triton Inference Server
GPU-ускорение
Для ONNX — onnxruntime-gpu и экспорт в fp16; примеры дообучения рассчитаны на разный объём видеопамяти
Распознавание эмоций
Да — модель GigaAM-Emo
Дообучение моделей
Дообучение CTC, RNN-T и энкодера через PyTorch Lightning
Требования
Python 3.10 или новее, ffmpeg
Установка
Клонировать репозиторий и выполнить pip install -e .[torch] (в PyPI — только gigaam 0.1.0 от 11.04.2025); модели также доступны через transformers
Последняя версия
GigaAM Multilingual (июнь 2026); последняя версия русской линии — v3 (ноябрь 2025)
Дата первого выпуска
Апрель 2024
Репозиторий
GitHub: salute-developers/GigaAM

Обзор GigaAM

Что такое GigaAM

GigaAM — семейство открытых моделей для обработки речи, которое выпускает SberDevices. В основе — энкодер на архитектуре Conformer размером от 220 до 600 млн параметров, предобученный на большом объёме речи. Линии v1–v3 обучены на русской речи, линия multilingual — на 70 с лишним языках. Поверх энкодера дообучены модели распознавания с декодерами CTC и RNN-T и модель распознавания эмоций GigaAM-Emo.

Код и модели распространяются под лицензией MIT; её приняли в декабре 2024 года вместе с выходом второй версии.

Версии моделей

  • v3 (ноябрь 2025) — 700 000 часов предобучения и 4 000 часов размеченных данных. Варианты ctc и rnnt, а также e2e_ctc и e2e_rnnt, которые сразу выдают текст с пунктуацией и нормализацией
  • v2 и v1 — 50 000 часов предобучения и 2 000 часов разметки
  • multilingual (июнь 2026) — энкодеры на 220 и 600 млн параметров, 2 млн часов речи на 70 с лишним языках; по словам разработчиков, по WER на русском, казахском, киргизском и узбекском она опережает модели своего класса, а на английском результат умеренный

Точность на русском

В таблице разработчиков модель v3_rnnt показывает WER 2,4 % на Golos Crowd, 3,9 % на Golos Farfield, 4,4 % на Russian LibriSpeech и 0,9 % на Mozilla Common Voice 19. На сложных данных ошибок больше: 9,5 % на записях колл-центра, 10,6 % на OpenSTT Youtube, 17,4 % на OpenSTT Phone Calls и 19,2 % на речи с нарушениями. Средний WER v3_rnnt по десяти наборам — 8,3 %, у v3_ctc — 9,1 %. В той же таблице для сравнения приведены Whisper (21,0 % после постобработки текста) и T-One с языковой моделью (16,3 %) — это измерения самих разработчиков GigaAM.

Модели e2e с пунктуацией разработчики сравнивали с Whisper-large-v3 попарно: оценку ставила языковая модель Gemini 2.5 Pro, и GigaAM выиграла в среднем со счётом 70:30.

Как запустить

Нужны Python 3.10 или новее и установленный ffmpeg. README ставит пакет из клонированного репозитория командой pip install -e .[torch], а модели загружаются по имени; в PyPI лежит только версия gigaam 0.1.0 от апреля 2025 года — она вышла раньше v3. Их можно взять и через библиотеку transformers с Hugging Face. Для продакшена модели экспортируются в ONNX: по умолчанию используется onnxruntime, для видеокарты — onnxruntime-gpu. Есть инструкция по развёртыванию в Triton Inference Server с TensorRT.

Важное ограничение: обычная функция распознавания принимает запись не длиннее 25 секунд. Для длинных файлов нужен режим longform, а он требует библиотеку pyannote.audio и токен Hugging Face с принятыми условиями доступа к модели сегментации pyannote.

Что ещё умеет

С апреля 2026 года модели выдают таймкоды слов и дообучаются на своих данных (CTC, RNN-T и самообучаемый энкодер) через PyTorch Lightning. Отдельная модель GigaAM-Emo определяет эмоцию в голосе. Энкодер можно использовать и для получения аудио-эмбеддингов.

Плюсы и минусы GigaAM

+Преимущества

  • ✓Сделана под русский язык: v3 предобучена на 700 тыс. часов речи
  • ✓Лицензия MIT прямо разрешает использовать, изменять, распространять и продавать копии
  • ✓Разработчики публикуют WER по десяти наборам, включая звонки и шумную речь
  • ✓Модели e2e сразу ставят пунктуацию — без отдельной модели
  • ✓Экспорт в ONNX упрощает встраивание в свой сервис
  • ✓Репозиторий развивается: в 2026 году добавлены дообучение, таймкоды и многоязычная линия

−Недостатки

  • ✗Обычное распознавание — только записи до 25 секунд; для длинных нужны pyannote и токен Hugging Face
  • ✗Требования к процессору, видеокарте и памяти разработчики не публикуют
  • ✗Ставится из клонированного репозитория: в PyPI только версия 0.1.0 от апреля 2025 года, релизов на GitHub нет
  • ✗На телефонных звонках и речи с нарушениями WER заметно выше: 17,4 % и 19,2 % у v3_rnnt
  • ✗Сравнение с Whisper и T-One проведено самими разработчиками GigaAM
  • ✗Нет готового HTTP-API: для продакшена — Triton Inference Server по инструкции из репозитория или своя обвязка

Сценарии использования GigaAM

1

Расшифровка записей колл-центра на своих серверах

Экспортировать модель в ONNX или TensorRT, развернуть в Triton Inference Server и распознавать звонки без передачи записей внешнему сервису.

2

Текст с пунктуацией для протоколов и субтитров

Взять вариант v3_e2e_rnnt, который сразу выдаёт текст с пунктуацией, и получать таймкоды слов для субтитров.

3

Дообучение под отраслевую лексику

Дообучить модель CTC или RNN-T на своих записях с терминами через PyTorch Lightning по примерам из репозитория.

4

Анализ эмоций в разговорах

Прогнать фрагменты звонков через GigaAM-Emo и получить вероятности эмоций для речевой аналитики.

5

Распознавание казахской, киргизской и узбекской речи

Использовать линию multilingual, для которой разработчики приводят результаты по этим языкам на Common Voice и FLEURS.

Отзывы о GigaAM

Обзор помог разобраться в сервисе?

Одно нажатие, без регистрации. Ответ увидят те, кто будет выбирать сервис после вас.

Ваш ответ здесь будет первым.

Поделитесь опытом использования

Помогите другим сделать правильный выбор — ваш отзыв будет полезен

Почту и пароль указывать не нужно · обычно публикуем в течение 1–2 дней · если вам ответят, ответ появится на странице «Все отзывы» этого сервиса

Отзывы — мнения посетителей, прошедшие проверку по правилам сайта; порядок определяется отметками «полезно».

Часто задаваемые вопросы о GigaAM

?Можно ли использовать GigaAM в коммерческом проекте?

Да. Код и модели распространяются под лицензией MIT: она разрешает использовать, изменять, распространять и продавать копии при сохранении текста лицензии. Лицензия MIT указана и в репозитории, и в карточке модели на Hugging Face.

?Какую модель выбрать для русского?

Для максимальной точности — v3_rnnt: в таблице разработчиков у неё средний WER 8,3 % по десяти наборам. Если нужен сразу читаемый текст со знаками препинания — v3_e2e_rnnt или v3_e2e_ctc. Версия v3_ctc чуть менее точна (9,1 %), зато декодер CTC проще.

?Почему GigaAM не распознаёт длинную запись целиком?

Обычная функция transcribe рассчитана на аудио до 25 секунд. Для длинных файлов есть transcribe_longform: она режет запись на фрагменты моделью сегментации pyannote. Для неё нужно поставить дополнительные зависимости и получить токен Hugging Face с доступом к pyannote/segmentation-3.0.

?Нужна ли видеокарта?

Требований к железу разработчики не публикуют. Модели экспортируются в ONNX: по умолчанию работает onnxruntime, а для видеокарты README предлагает поставить onnxruntime-gpu и экспортировать модель в fp16 — так быстрее и нужно меньше видеопамяти.

?Насколько GigaAM точнее Whisper на русском?

По таблице разработчиков средний WER Whisper на их десяти наборах — 21,0 % (после постобработки текста), у GigaAM v3_rnnt — 8,3 %. В попарном сравнении моделей с пунктуацией, где судьёй была Gemini 2.5 Pro, GigaAM выиграла со счётом 70:30. Это замеры самих авторов GigaAM — проверьте на своих данных.

?Есть ли у GigaAM готовый API?

Нет, это модели и Python-пакет. Сервис придётся собрать самостоятельно; для этого в репозитории есть экспорт в ONNX и инструкция по развёртыванию в Triton Inference Server с TensorRT.

Альтернативы GigaAM

T
T-oneFreeБесплатно

Открытый потоковый распознаватель русской речи от Т-Банка, заточенный под телефонные звонки: модель на 71 млн параметров обрабатывает звук 8 кГц кусками по 300 мс и отдаёт готовые фразы в реальном времени. Для разработчиков колл-центров и голосовых ботов.

V
VoskFreeБесплатно

Открытый движок распознавания речи от Alpha Cephei, который работает без интернета — от Raspberry Pi и смартфона до сервера. Для русского есть лёгкая модель на 45 МБ и серверные на 1,5–2,5 ГБ, потоковый API и Docker-сервер для телефонии. Для разработчиков голосовых ботов, IoT и офлайн-приложений.

Whisper (OpenAI)
Whisper (OpenAI)FreeБесплатно

Open-source модель автоматического распознавания речи (ASR) от OpenAI на архитектуре Transformer encoder-decoder. Обучена на 680 000 часов многоязычных данных, поддерживает транскрипцию и перевод на английский. Доступна как через API OpenAI, так и для self-hosted-запуска.

N
NVIDIA NeMo Speech (Parakeet, Canary)FreeБесплатно

Открытый фреймворк NVIDIA для обучения и запуска речевых моделей и семейство готовых весов: Parakeet v3 и Canary v2 распознают 25 языков, включая русский, ставят пунктуацию и таймкоды, Canary ещё и переводит. Для команд с видеокартами NVIDIA и опытом PyTorch.

SmartSpeech
SmartSpeech

Российский сервис речевой аналитики ООО «Речевые технологии» (Иннополис, Татарстан). Распознаёт речь, строит кластеры похожих по смыслу слов, выдаёт отчёты с фильтрами, помогает находить проблемные звонки, обучать сотрудников и улучшать репутацию бренда.

Представителям GigaAM

Ошибку в описании редакция исправит, а оценку, нарушающую правила сайта, снимет с публикации — на любой карточке. Ответ от имени компании на оценку посетителя она тоже опубликует — по письму с рабочей почты компании. Для этого достаточно написать редакции. Это не связано с оплатой.

Бесплатная и платная карточка ToolFox: чем отличаются ↓

Обновлено: 30 сентября 2026 г.