GigaAM Multilingual

Sber 的 220M 和 600M 语音识别模型,面向俄语、哈萨克语、吉尔吉斯语和乌兹别克语,在 70 多种语言的 200 万小时语音上预训练。MIT。

一句话概括. GigaAM Multilingual 把录好的语音转成文字,专门针对俄语、哈萨克语、吉尔吉斯语和乌兹别克语,在开发者的测试里胜过体量更大、名气更响的识别模型。它很小,文件只有 0.9 GB 和 2.3 GB,MIT 许可证允许商用。

概述

GigaAM Multilingual 是 Sber 的 GigaChat 团队发布的一组 Conformer 语音编码器,参数量为 220M 和 600M。据模型卡介绍,它们用 HuBERT 风格的目标在 70 多种语言、共 200 万小时的语音上预训练,再用逐字符的 CTC 解码器在 5 万小时数据上微调出识别能力。它的 Hugging Face 仓库在 2026 年 7 月 14 日首次出现,不过 GitHub 的新闻把它记在 2026 年 6 月。相关论文讨论的是代表性不足的中亚语言,在 2026 年 7 月 11 日提交到 arXiv,GitHub 的新闻称它被 Interspeech 2026 接收。共有 ssl、ctc、large_ssl 和 large_ctc 四个检查点,作为同一个 Hugging Face 仓库的不同分支存放,ssl 编码器可以针对新语言微调。

模型卡称这些模型在俄语、哈萨克语、吉尔吉斯语和乌兹别克语上达到最好的开源水平,在英语上只有中等水平。它在 Common Voice、FLEURS 和内部真实场景测试集上用贪心解码得到的词错误率中,大模型在俄语 FLEURS 上是 3.0%,哈萨克语 4.4%,吉尔吉斯语 5.5%,乌兹别克语 7.3%,Whisper large v3 分别是 3.1%、32.4%、86.3% 和 105.4%,Seamless M4T large v2 分别是 4.6%、6.8%、9.5% 和 11.9%。在英语 FLEURS 上它是 9.4%,Whisper large v3 是 3.9%。这些都是 Sber 自己的测试,超过 30 秒的语音和参考文本中含数字的样本已被排除。

权重采用 MIT,PyTorch 文件在 220M 模型上是 0.88 GB,在 600M 模型上是 2.34 GB。加载需要 trust_remote_code,模型卡建议使用 Transformers 5 和 PyTorch 2.10。GitHub 软件包说明 transcribe 只适用于 25 秒以内的音频,更长的文件需要它的长音频模式,而这依赖 pyannote.audio 和 Hugging Face 访问令牌。在截至 2026 年 11 月 11 日的 30 天里,Hugging Face 统计到约 6.4 万次下载。

适合做什么

  • 用小模型转写俄语、哈萨克语、吉尔吉斯语和乌兹别克语的语音。
  • 通过微调自监督编码器,为另一种语言构建识别模型。
  • 用小文件运行语音识别,220M 模型 0.88 GB,600M 模型 2.34 GB。
  • 在 MIT 下商用,不需要按分钟付费。

需要注意

  • 英语质量只有中等水平,模型卡显示 Whisper large v3 在英语 FLEURS 上遥遥领先。
  • 模型卡只报告了英语、俄语、哈萨克语、吉尔吉斯语和乌兹别克语,其余 70 多种语言中的任何一种,在依赖之前都请先检查。
  • 模型卡描述的是逐字符 CTC 输出,没有提到标点或说话人标签,超过 25 秒的音频需要配置使用 pyannote.audio 的长音频模式。
  • 所有分数都来自 Sber 自己,模型卡的测试集还排除了含数字的参考文本。

性能数据来自开发方,未经独立验证。

需要多少内存?

以下是 GigaAM Multilingual 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。

版本 参数量 下载大小 所需内存 可运行于
CTC (220M) 220M 0.88 GB 1.01 GB 笔记本或手机
Large CTC (600M) 600M 2.34 GB 2.69 GB 笔记本或手机

下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。

许可证,用大白话说

最简短、最宽松的许可证。只要保留版权和许可声明,你几乎可以对模型做任何事。

进一步了解 MIT

延伸阅读

常见问题

GigaAM Multilingual 是什么?
GigaAM Multilingual 把录好的语音转成文字,专门针对俄语、哈萨克语、吉尔吉斯语和乌兹别克语,在开发者的测试里胜过体量更大、名气更响的识别模型。它很小,文件只有 0.9 GB 和 2.3 GB,MIT 许可证允许商用。
GigaAM Multilingual 可以商用吗?
可以。GigaAM Multilingual 采用 MIT 发布,这是一种宽松许可证。只要遵守常规条件(例如保留许可证声明),就可以商用。
GigaAM Multilingual 是开源的吗?
GigaAM Multilingual 采用 MIT 发布,该许可证经开源促进会(OSI)认可。训练数据和训练代码不一定公开,因此更准确的说法是“采用开源许可证的开放权重模型”。
我能在自己的电脑上运行 GigaAM Multilingual 吗?
可以。最小版本 CTC (220M) 在 4 位精度下约需 1.01 GB 内存,现代笔记本或中端显卡即可胜任。
GigaAM Multilingual 是什么时候发布的?
GigaAM Multilingual 由 Sber (GigaChat) 于 2026年7月14日 发布。

官方链接

来源

规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。

发布时间等信息最近核实于 2026年11月11日。

相关模型

模型 发布时间 参数量 上下文 许可证 最小版本所需内存
GigaAM-v3 Sber (GigaChat) 220M – 240M – MIT (宽松) 0.506 GB 笔记本或手机
Whisper large-v3-turbo OpenAI 810M – 1.54B – MIT (宽松) 6 GB 笔记本或手机
Qwen3-ASR Alibaba Qwen 918M – 2.35B – Apache 2.0 (宽松) 2.12 GB 笔记本或手机
Cohere Transcribe Cohere 2.07B – Apache 2.0 (宽松) 4.75 GB 笔记本或手机