# GigaAM

> Семейство open-source моделей для распознавания и анализа русской речи

GigaAM — семейство open-source акустических моделей (MIT) для распознавания русской речи: CTC, RNN-T, определение эмоций, ONNX-экспорт.

- Категории: Opensource, Речь-в-текст, Российские
- Модели: GigaAM-v3, GigaAM-v2, GigaAM-v1, GigaAM-Emo
- Сайт сервиса: https://github.com/salute-developers/GigaAM
- Карточка в каталоге: https://ailibri.com/gigaam
- Обновлено: 2026-07-07

## Описание

GigaAM — это семейство открытых акустических моделей для распознавания русской речи, которое разработали в Sber. Не просто очередной инструмент транскрибации, а полноценная фундаментальная модель на базе архитектуры Conformer с 220–240 миллионами параметров.

Модель прошла долгий путь от первой версии до актуальной v3, которая предобучалась на 700 000 часах аудио, ASR fine-tuning — на 4 000 часах (v1 и v2 — на 50 000 и 2 000 часах соответственно). Каждое поколение — это не косметические правки, а реальный прирост качества. GigaAM-v3 показывает в среднем на 30% меньше ошибок на сложных доменах: колл-центры, музыкальный фон, нетипичная речь, голосовые сообщения. End-to-end версии с поддержкой пунктуации и нормализации текста побеждают в сравнении с Whisper large-v3 с соотношением 70 к 30.

Внутри семейства несколько линеек под разные задачи. SSL-модели дают аудиоэмбеддинги — полезно, если нужно встроить понимание речи в свой пайплайн. CTC и RNNT варианты занимаются непосредственно транскрибацией; в актуальной версии пакета (апрель 2026) для них добавлена поддержка временных меток на уровне отдельных слов. Отдельная модель GigaAM-Emo распознаёт эмоции и обходит конкурентов на 15% по метрике Macro F1-Score. Для длинных записей есть режим longform-инференса, однако базовый .transcribe работает только с аудио до 25 секунд — для более длинных файлов потребуется установить дополнительную зависимость pyannote.audio и HF-токен с доступом к модели pyannote/segmentation-3.0.

Технически всё выглядит гибко: модели доступны через pip-пакет, грузятся с Hugging Face, экспортируются в ONNX для продакшена — при этом при ONNX-экспорте по умолчанию используется fp32; для GPU-деплоя рекомендуется передать dtype=float16. Разворачиваются через Triton Inference Server с поддержкой TensorRT. CTC и RNNT модели можно дообучить на своих данных через PyTorch Lightning, примеры с разными ограничениями по VRAM уже есть в репозитории.

Лицензия MIT, код открытый, исследование принято на InterSpeech 2025. Если работаете с русской речью и хотите серьёзный инструмент без закрытых API — это один из самых сильных вариантов на рынке.

## Похожие сервисы в каталоге

- [Teamlogs](https://ailibri.com/teamlogs): Транскрибация аудио и видео в текст с разделением по спикерам, таймкодами и экспортом в DOCX, SRT, XLSX. 78 языков, скорость — ~3 мин на час записи.
- [SaluteSpeech](https://ailibri.com/salutespeech): Платформа синтеза и распознавания речи от Сбера: TTS с правильными ударениями, SSML-разметкой и анализом эмоций клиентов по голосу.
- [SaluteJazz](https://ailibri.com/salutejazz): Российский сервис видеоконференций от Сбера, раньше назывался SberJazz. Встроенный ИИ расшифровывает разговор, пишет краткое содержание встречи и выделяет задачи. Бесплатный тариф до 200 участников.
- [Pohuy](https://ailibri.com/pokhuy-pohuy): Режим идиоматического русского мата для AI-агентов: плагин с командами, хуками, скиллами и стилями вывода для Claude и Codex. Установка одним скриптом. 18+
- [Yandex SpeechKit](https://ailibri.com/yandex-speechkit): Yandex SpeechKit — распознавание и синтез речи, голосовые агенты, Brand Voice и LLM-обработка аудио. Поддерживается on-premises и SIP-интеграция.
- [Polza AI](https://ailibri.com/polza-ai): Единый API доступ к 250+ моделям ИИ в России: OpenAI, Claude, DeepSeek. Оплата по токенам, без VPN. Быстрая интеграция, поддержка 24/7.

---
Источник: AILibri — каталог нейросетей и ИИ-инструментов, https://ailibri.com