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.