GigaAM-v3
Sber 的 220M 到 240M 俄语语音识别模型,e2e 版本直接输出带标点的文字。MIT 许可证。
一句话概括. GigaAM-v3 把俄语语音转成文字,有的版本还会加标点,并把数字写成人们习惯阅读的样子。它很小,文件约 0.45 GB,MIT 许可证允许商用。
概述
GigaAM-v3 是 Sber 的 GigaAM 俄语语音模型的第三代,发布于 2025 年 11 月 19 日。它是 220M 到 240M 参数的 Conformer,用 HuBERT-CTC 目标在 70 万小时的俄语语音上预训练,GitHub 的表格列出语音识别微调用了 4000 小时。仓库把五个检查点存放为不同分支:ssl、ctc、rnnt、e2e_ctc 和 e2e_rnnt。两个 e2e 版本直接输出带标点的规范化文本,其余版本输出纯文字。Sber 称 v3 加入了呼叫中心、背景音乐、自然语音和非典型语音的数据,在这些新领域上错误率降低约 30%,在公开基准上与 v2 持平。
在模型卡的五组测试里,RNN-T 模型的平均词错误率是 8.4%,CTC 模型是 9.2%,带语言模型的 T-One 是 19.4%,Whisper 是 25.1%。差距在非典型语音(19.2% 对 Whisper 的 59.3%)和呼叫中心音频(9.5% 对 23.9%)上最大。对于 e2e 模型,Sber 做了由 Gemini 2.5 Pro 评判的并排比较,对手是 Whisper large v3,称平均以 70 比 30 获胜。这些都是 Sber 自己的测试,表格只涉及俄语。
权重采用 MIT,每个检查点约 0.45 GB。加载需要 trust_remote_code,模型卡固定了 Transformers 4.57.1 和 PyTorch 2.8。GitHub 软件包说明 transcribe 能处理 25 秒以内的音频,它的长音频模式依赖 pyannote.audio 和 Hugging Face 令牌。在截至 2026 年 11 月 11 日的 30 天里,Hugging Face 统计到约 24.5 万次下载。同一团队的 GigaAM Multilingual 在本站单独收录,增加了哈萨克语、吉尔吉斯语和乌兹别克语,但没有会写标点的 e2e 选项。
适合做什么
- 使用 e2e 版本做自带标点和数字规范化的俄语语音识别。
- 呼叫中心和语音留言音频,因为 Sber 的 v3 数据增加了这方面的覆盖。
- 运行小模型,每个检查点都不到 0.5 GB。
- 在 MIT 下商用,也可以从 ssl 编码器开始微调。
需要注意
- 它是俄语模型,不是通用的多语言识别器。
- 所有分数都来自 Sber 自己,e2e 与 Whisper 的对比是由大语言模型评判的。
- 超过 25 秒的音频需要配置使用 pyannote.audio 和 Hugging Face 令牌的长音频模式。
- 模型卡固定了较旧的库版本(Transformers 4.57.1、PyTorch 2.8),所以请使用单独的环境。
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-v3 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 | 0.44 GB | 0.506 GB | 笔记本或手机 |
| e2e RNN-T (punctuation and normalization) | 240M | 0.45 GB | 0.517 GB | 笔记本或手机 |
| RNN-T | 240M | 0.45 GB | 0.517 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。
延伸阅读
常见问题
- GigaAM-v3 是什么?
- GigaAM-v3 把俄语语音转成文字,有的版本还会加标点,并把数字写成人们习惯阅读的样子。它很小,文件约 0.45 GB,MIT 许可证允许商用。
- GigaAM-v3 可以商用吗?
- 可以。GigaAM-v3 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-v3 是开源的吗?
- GigaAM-v3 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-v3 吗?
- 可以。最小版本 CTC 在 4 位精度下约需 0.506 GB 内存,现代笔记本或中端显卡即可胜任。
- GigaAM-v3 是什么时候发布的?
- GigaAM-v3 由 Sber (GigaChat) 于 2025年11月19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。
- GigaAM-v3 model card (Hugging Face) huggingface.co
- GigaAM repository and release notes (GitHub) github.com
- GigaAM: Efficient Self-Supervised Learner for Speech Recognition (arXiv 2506.01192) arxiv.org
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 Multilingual Sber (GigaChat) | 220M – 600M | – | MIT (宽松) | 1.01 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 | |
| Parakeet TDT 0.6B v3 NVIDIA | 627M | – | CC BY 4.0 (宽松) | 2.89 GB 笔记本或手机 |