GigaAM-v3

GigaAM-v3

把俄语语音转成文字，有能加标点并规范文本的变体，基于约 230M 参数的 Conformer。适合转录俄语音频（如通话）的开发者和团队。

由 ai-sage 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：GigaAM-v3 是 ai-sage 推出的语音识别模型系列，基于 220 到 240M 参数的 Conformer 编码器。编码器用 70 万小时的俄语语音做了预训练。它提供五个变体，从原始编码器到能返回带标点、规范化文本的模型。

适合谁：转录俄语音频的开发者和团队，包括电话通话、带背景音乐的片段和日常对话。记录里还列出了英语。模型卡说，第三代在它新增的领域上比前几代好约 30%。

Title: 谁在用，怎么用
Industry | Who uses it | How they use it | Example
客户服务 | 呼叫中心团队 | 把录下的通话转成文字 | 团队把保存的客服通话转成书面记录
媒体 | 字幕编辑 | 为俄语音频起草字幕 | 编辑转录一段带背景音乐的片段
无障碍 | 应用开发者 | 转录有特殊特征的语音 | 开发者为语言障碍者的语音加上转录功能
研究 | 语音研究人员 | 复用预训练编码器，或对比不同解码器 | 在同样的片段上对比 CTC 和 RNN-T 变体

如果你的音频是俄语或英语以外的语言，可以跳过它。

用在哪里：

• 装有 transformers 库的 Python
• 转录音频文件的脚本和服务
• Windows、macOS 或 Linux，用于下载文件

Use case | Who | What they get back
通话转录 | 客服团队 | 录音通话里说的话的文字
带标点的字幕 | 编辑 | 端到端变体给出的带标点、已规范化的文字
研究基线 | 研究人员 | 一个可与其他系统对比的编码器和解码器

如何设置：你需要 Python 和 pip，以及模型卡推荐的库版本。

• Python 和 pip
• torch 和 torchaudio 2.8.0 版
• transformers 4.57.1 版
• pyannote-audio 4.0.0 和 torchcodec 0.7.0
• hydra-core、omegaconf 和 sentencepiece，版本不限

1. 安装 Hugging Face hub 库。
2. 下载这个仓库。
3. 安装推荐的库，并运行 Python 示例。

pip install -U huggingface_hub
hf download ai-sage/GigaAM-v3

如何使用：通过 revision 设置选一个变体，加载模型，再对音频文件调用 transcribe。端到端变体会返回带标点的文字。

from transformers import AutoModel

revision = "e2e_rnnt"  # can be any v3 model: ssl, ctc, rnnt, e2e_ctc, e2e_rnnt
model = AutoModel.from_pretrained(
    "ai-sage/GigaAM-v3",
    revision=revision,
    trust_remote_code=True,
)

transcription = model.transcribe("example.wav")
print(transcription)

Tool | What it does
ssl | 自监督编码器，用俄语语音预训练
ctc | 使用 CTC 解码器的语音识别
rnnt | 使用 RNN-T 解码器的语音识别
e2e_ctc | 加标点并规范文本的 CTC 识别
e2e_rnnt | 加标点并规范文本的 RNN-T 识别

示例：你把 revision 设为 e2e_rnnt，对一段俄语通话录音 example.wav 调用 transcribe。脚本会把说出的话打印成带标点、可以直接阅读的文字。

新手与专家：如果你是新手，用 e2e_rnnt 变体对一个音频文件运行那段简短的 Python 示例，读一读打印出的内容。之后再试其他变体。

对熟悉的人来说，编码器使用 HuBERT-CTC 预训练目标，语音识别变体再加上 CTC 或 RNN-T 解码器。在模型卡的测试里，RNN-T 的平均词错误率是 8.4，CTC 是 9.2，Whisper 是 25.1。由 LLM 评判，端到端模型以约 70 比 30 的比例胜过 Whisper-large-v3。

输入音频文件
编码器读取语音
CTC 或 RNN-T 解码器写出文字
端到端模型加上标点

注意事项：

Title: 平均词错误率，越低越好
GigaAM-v3 RNN-T: 8.4
GigaAM-v3 CTC: 9.2
T-One with LM: 19.4
Whisper: 25.1

• License: MIT
• Cost to run: 没有列出费用，你用的是自己的电脑
• Data it reaches: 它从 Hugging Face 下载文件，然后读取你提供的音频文件，示例还允许运行仓库自带的代码
• Not for: 其他语言的音频，因为预训练用的是俄语语音
• 语言障碍者的语音是模型卡里最难的测试集，RNN-T 的得分是 19.2

Hugging Face 上的数据（2026年11月13日）

• 任务：automatic speech recognition
• 最近 30 天下载：257,541
• 点赞：202
• 许可证：mit
• 语言：ru, en
• Quantized versions: 44
• Fine-tunes: 15
• 标签：pytorch, gigaam, automatic-speech-recognition

链接

• 模型：https://huggingface.co/ai-sage/GigaAM-v3
• 文件：https://huggingface.co/ai-sage/GigaAM-v3/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download ai-sage/GigaAM-v3

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。