Сбер представил семейство моделей GigaAM Multilingual и GigaChat Audio, предоставляя разработчикам открытый доступ к мощным инструментам распознавания и анализа речи, оптимизированным для языков СНГ.
Что произошло
Компания Сбер выпустила модели GigaAM Multilingual, построенную на архитектуре Conformer и обученную на 2 млн часов аудио на более чем 70 языках, а также мультимодальную модель GigaChat Audio (10B параметров, архитектура MoE). GigaAM Multilingual превосходит Whisper Large v3 в работе с такими языками, как казахский, киргизский и узбекский. GigaChat Audio интегрирует возможности распознавания речи с языковой моделью GigaChat 3.1, позволяя обрабатывать записи длительностью до 2 часов и обеспечивая точную локализацию событий.
Контекст
GigaAM Multilingual использует компактную архитектуру (240M параметров) для высокой эффективности на региональных языках, а GigaChat Audio демонстрирует высокую точность локализации событий (IoU 48.3 на записях длительностью 20–60 минут), что делает её применимой для глубокой транскрибации и поиска по аудиоконтенту.
Почему это важно для индустрии
Выход высококачественных open-source моделей снижает зависимость индустрии от западных решений, таких как Whisper, и позволяет локальным компаниям строить эффективные системы обработки речи для рынков СНГ. Доступность весов на Hugging Face и кода на GitHub существенно снижает технологический барьер и стоимость разработки для стартапов в сфере AI-audio.
Почему это важно для пользователей
Разработчики и инженеры могут бесплатно использовать профессиональные инструменты для распознавания речи и анализа аудио, включая поиск конкретных моментов в длинных записях, интегрируя их в свои локальные пайплайны без необходимости использования зарубежных API.
Источники
- ai-sage/GigaAM-Multilingual · Hugging Face
- ai-sage/GigaChat3.1-Audio-10B-A1.8B · Hugging Face
- salute-developers/GigaAM · GitHub
Автор
Look at AI, редакция