Как установить GigaAM и распознать аудио

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.git и перейдите в папку: cd GigaAM.
Установите пакет с PyTorch: pip install -e ".[torch]".
В Python импортируйте библиотеку и загрузите модель: import gigaam, затем model = gigaam.load_model("v3_e2e_rnnt"). Варианты e2e добавляют пунктуацию и нормализацию текста. Если загружаете модель с Hugging Face (GigaAM-v3), передайте trust_remote_code=True.
Распознайте файл: text = model.transcribe("audio.wav"). Этот вызов рассчитан на запись до 25 секунд.

Три шага диктовки в «Потоке»: зажал Ctrl + Space, сказал фразу вслух, текст появился в активном поле — Диктовка в «Потоке»: горячая клавиша, речь, готовый текст в том окне, где стоит курсор.

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.

Сравнение «Потока» и Win+H по строкам: платформы, бесплатно, оплата из рф, распознавание — «Поток» и Win+H: условия по официальным сайтам сервисов.

Частые вопросы

Какая у GigaAM лицензия и можно ли использовать её в коммерческих задачах?

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.

Насколько точно GigaAM v3 распознаёт русскую речь?

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.

Поток — это не инвестиционная платформа?

Нет. «Поток» (potok.now) — это десктопное приложение для голосового ввода текста на Windows, macOS и Linux: зажал хоткей, продиктовал, текст вставился в активное поле. К инвестиционным сервисам или финансовым платформам с похожим названием отношения не имеет.

Есть ли Поток для Android?

Нет, версии Потока для Android нет — продукт работает только на компьютере: Windows, macOS и Linux. Для Android есть встроенный голосовой ввод Google (Gboard) или клавиатура Samsung.

Как установить и начать пользоваться Потоком: первые 5 минут?

Скачать установщик с potok.now/download → установить → зарегистрироваться по email → в любом текстовом поле зажать хоткей (по умолчанию Ctrl+Space) → говорить → отпустить хоткей — текст появится в поле.

Сколько стоит Поток и какие есть тарифы?

Сначала 14 дней бесплатного полного доступа без привязки карты. Дальше — бесплатный план (2500 слов в неделю, 1 устройство) или Pro за 690 ₽/мес (499 ₽/мес при оплате за год): безлимит, личный словарь, сниппеты, приоритетная поддержка. Для бизнеса — цена по запросу, с размещением on-prem или на серверах в РФ и поддержкой 152-ФЗ.

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»

По справке Microsoft и Apple.
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

Расчёт по средней скорости печати и речи, не замер.
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