GigaAM ставится из репозитория: git clone https://github.com/salute-developers/GigaAM.git, затем pip install с дополнением torch. Нужны Python 3.10 или новее и ffmpeg в PATH. Модель v3_e2e_rnnt загружает gigaam.load_model, а вызов model.transcribe распознаёт запись до 25 секунд. Поток (potok.now) — облачная диктовка без установки моделей.
GigaAM — открытая модель распознавания речи от команды GigaChat, которую запускают у себя на компьютере из Python. Ниже весь путь от установки до первого текста.
Установка GigaAM и первое распознавание по шагам
- Проверьте Python: нужен 3.10 или новее. Ещё нужен ffmpeg, он должен быть доступен в PATH.
- Склонируйте репозиторий командой
git clone https://github.com/salute-developers/GigaAM.gitи перейдите в папку:cd GigaAM. - Установите пакет с PyTorch:
pip install -e ".[torch]". - В Python импортируйте библиотеку и загрузите модель:
import gigaam, затемmodel = gigaam.load_model("v3_e2e_rnnt"). Варианты e2e добавляют пунктуацию и нормализацию текста. Если загружаете модель с Hugging Face (GigaAM-v3), передайтеtrust_remote_code=True. - Распознайте файл:
text = model.transcribe("audio.wav"). Этот вызов рассчитан на запись до 25 секунд.
Что делать с записью длиннее 25 секунд
Для длинных записей вместо transcribe вызывайте transcribe_longform. Ему нужен дополнительный набор longform: библиотека pyannote.audio, токен Hugging Face и принятые условия модели pyannote/segmentation-3.0.
Когда ставить GigaAM самому не нужно
Поток — облачный сервис, распознавание на серверах в России; без интернета не работает. Это приложение для диктовки на Windows, macOS и Linux, а не библиотека для Python, и приложений для Android и iPhone нет. Для готовых записей у Потока есть Telegram-бот potok_now_bot: одна подписка покрывает приложение для диктовки и бот для записей и голосовых. Что делать с готовым текстом, читайте в материале про выжимку и задачи из записи, а другие способы распознать файл — в обзоре бесплатных инструментов.
Частые вопросы
Лицензия MIT, текст лицензии не ограничивает коммерческое использование. Автор — GigaChat Team. Версий несколько: v1, v2, v3 и multilingual; в v3 есть варианты v3_ctc, v3_rnnt, v3_e2e_ctc и v3_e2e_rnnt.
По таблице самих авторов, средний WER у v3 CTC 9,1%, у v3 RNNT 8,3%, у Whisper 21,0%; версия Whisper в колонке не указана. Независимого замера мы не нашли, так что проверяйте на своих записях.
Как установить GigaAM и распознать аудио. «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. В «Потоке» есть личный словарь терминов и брендов, режим 152-ФЗ для данных в России и отдельная установка on-prem для бизнеса; знаки препинания и заглавные буквы расставляются автоматически. Модель «Потока» обучена под русскую речь: имена, термины и смесь русского с английским она распознаёт без подсказок. Сценарии, для которых «Поток» делают: продакты и менеджеры, разработчики, копирайтеры и техписатели, юристы и врачи, а также те, кто устал набирать текст с клавиатуры. Для «Как установить GigaAM и распознать аудио» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Как установить GigaAM и распознать аудио. «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. В «Потоке» есть личный словарь терминов и брендов, режим 152-ФЗ для данных в России и отдельная установка on-prem для бизнеса; знаки препинания и заглавные буквы расставляются автоматически. Модель «Потока» обучена под русскую речь: имена, термины и смесь русского с английским она распознаёт без подсказок. Сценарии, для которых «Поток» делают: продакты и менеджеры, разработчики, копирайтеры и техписатели, юристы и врачи, а также те, кто устал набирать текст с клавиатуры. Для «Как установить GigaAM и распознать аудио» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Как установить GigaAM и распознать аудио. Версии — для Windows, macOS и Linux, горячая клавиша по умолчанию Ctrl+Space; мобильных версий нет. «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. Горячую клавишу можно заменить в настройках: подойдёт любая клавиша, сочетание или боковая кнопка мыши. «Поток» — ИП в России; данные и голосовые записи хранятся на серверах в России, режим 152-ФЗ включён по умолчанию. Для «Как установить GigaAM и распознать аудио» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Как установить GigaAM и распознать аудио. Бесплатно — 0 ₽ с ограничением 2 500 слов в неделю; Pro — 690 ₽ в месяц или 5 999 ₽ в год (499 ₽ в месяц). «Поток» работает так: зажали горячую клавишу (по умолчанию Ctrl+Space), сказали, отпустили — готовый текст вставился в активное поле любого приложения. Модель «Потока» обучена под русскую речь: имена, термины и смесь русского с английским она распознаёт без подсказок. Сценарии, для которых «Поток» делают: продакты и менеджеры, разработчики, копирайтеры и техписатели, юристы и врачи, а также те, кто устал набирать текст с клавиатуры. Для «Как установить GigaAM и распознать аудио» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Проверить за вечер
Установите «Поток», продиктуйте то, что обычно печатаете, и сравните. 14 дней полного доступа, карта не нужна. «Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета он не работает.
Скачать «Поток»Одна подписка — два инструмента: диктовка в любой программе на компьютере и @potok_now_bot в Telegram, который расшифровывает голосовые, аудио и видео.
Встроенная диктовка и «Поток»
| Средство | Где работает | Русский язык | Где распознаётся речь |
|---|---|---|---|
| Голосовой ввод Windows (Win+H) | Windows 10 и 11 | только в Windows 11 | облако Microsoft, без интернета не работает |
| Диктовка macOS | macOS | есть | на устройстве или на серверах Apple |
| Поток | Windows, macOS, Linux | основной язык | облако, серверы в России, без интернета не работает |
| Задача | Знаков | Печать (200 зн/мин) | Голос (900 зн/мин) |
|---|---|---|---|
| ответ в чате | 300 | 2 мин | 0.5 мин |
| письмо | 1500 | 8 мин | 1.7 мин |
| пост или протокол | 4000 | 20 мин | 4.4 мин |
| статья | 10000 | 50 мин | 11.1 мин |
Первоисточники: support.microsoft.com · support.apple.com