GigaAM vs Whisper — в 3x точнее
Какая модель лучше для русской речи? Детальное сравнение GigaAM и Whisper: бенчмарки WER на 4 датасетах, архитектура, размер и скорость транскрибации.
2x
точнее на русском
WER 8.4% vs ~25%
6.8x
компактнее
220M vs 1.5B параметров
7.9x
точнее на Golos Crowd
2.4% vs 19.0%
50%
ниже WER чем Whisper
arXiv:2506.01192
Сравнение архитектур
GigaAM v3 RNNT
- Архитектура Conformer-based RNNT (Recurrent Neural Network Transducer)
- Параметры ~220M
- Разработчик SaluteDevices (Sber)
- Публикация INTERSPEECH 2025 (arXiv:2506.01192)
- Лицензия MIT (полностью open-source)
- Языки Русский (специализированная)
- Обучение Масштабные корпуса русской речи
Whisper-large-v3
- Архитектура Encoder-Decoder Transformer (seq2seq)
- Параметры ~1.55B
- Разработчик OpenAI
- Публикация 2023 (arXiv:2212.04356)
- Лицензия MIT (open-source)
- Языки ~100 языков (мультиязычная)
- Обучение 680 000 часов аудио, все языки
Бенчмарки WER на русском языке
Word Error Rate (WER) — чем ниже, тем лучше. Данные из arXiv:2506.01192
GigaAM в 4.2x точнее
GigaAM в 7.9x точнее
GigaAM в 2.1x точнее
GigaAM в 6.1x точнее
| Датасет | GigaAM v3 | Whisper v3 | Разница |
|---|---|---|---|
| Golos Farfield | 3.9% | 16.4% | 4.2x |
| Golos Crowd | 2.4% | 19.0% | 7.9x |
| Russian LibriSpeech | 4.4% | 9.4% | 2.1x |
| Common Voice 19 | 0.9% | 5.5% | 6.1x |
| Среднее | 8.4%* | ~12.6%** | ~4.3x |
** Среднее по 4 показанным датасетам. Источник: arXiv:2506.01192, INTERSPEECH 2025.
Почему GigaAM точнее на русском
Специализация vs универсальность
Whisper — мультиязычная модель на ~100 языков. GigaAM специализирована на русском. Это как сравнить энциклопедию и монографию: глубина знаний по конкретной теме у монографии всегда выше.
Conformer vs Transformer
Conformer-архитектура GigaAM эффективнее обрабатывает аудиосигнал, сочетая свёрточные (CNN) и внимание (attention) слои. Это даёт лучшее понимание акустических паттернов русской речи.
Эффективность параметров
220M параметров GigaAM vs 1.55B у Whisper — при этом GigaAM точнее. Меньше параметров = быстрее инференс и меньше потребление памяти на вашем Mac.
Данные обучения
GigaAM обучена на масштабных корпусах именно русской речи, включая разговорную, научную и профессиональную терминологию. Whisper обучена на 680 000 часов всех языков.
Когда Whisper лучше
Под названием Whisper transcription скрывается сразу несколько вещей: сама модель OpenAI, которую можно скачать и запустить у себя, десктопные оболочки вроде MacWhisper и онлайн-сервисы, работающие на ней же. Точность на русском у всех примерно одинаковая — она задана моделью, а не оболочкой.
Whisper — выдающаяся модель с широким применением. Вот случаи, когда она предпочтительнее:
Мультиязычная транскрибация
Если вам нужно транскрибировать на английском, испанском, китайском или другом языке — Whisper отличный выбор. GigaAM работает только с русским.
Перевод speech-to-text
Whisper может переводить с речи на одном языке в текст на другом. GigaAM такой функции не имеет.
Traart использует GigaAM v3
Я выбрал GigaAM не из патриотизма, а по таблице ошибок: на русской речи она проигрывает Whisper только в скорости первого запуска, зато втрое реже путает слова.
SOTA-качество
WER 8.4% — лучший результат среди open-source моделей для русского. Сопоставимо с платным Yandex SpeechKit.
100% оффлайн
GigaAM v3 работает полностью локально на вашем Mac. Ни один байт аудио не покидает компьютер.
+ pyannote
Бесплатная диаризация спикеров, автомониторинг папок, 9+ аудио/видео форматов, Markdown-экспорт с таймкодами.
Попробуйте GigaAM v3 в действии
Скачайте Traart — бесплатный macOS-клиент для GigaAM v3 с диаризацией и автомониторингом
Скачать бесплатноАвтор Traart — Александр Курогло, разработчик и автор open-source-проектов в области распознавания русской речи. Об авторе