local-transcriber/docs/benchmarks/2026-08-11-gigaam-model-comparison.md

Сравнение GigaAM v3, E2E и Whisper на русских встречах

Дата: 2026-08-11

Статус: завершённый benchmark на трёх записях

Машина: AMD Ryzen 7 8845H, Windows, CPU Квантизация ONNX: int8

Цель

Выбрать практический CPU-профиль на случай, когда OpenVINO недоступен или нестабилен. Сравниваются скорость, близость к внешнему транскрипту, сохранность смысла и терминов, пунктуация и пригодность результата для чтения.

Внешний транскрипт используется как неточный ориентир, а не ground truth: он сам содержит ошибки, редактирует разговорную речь и добавляет диаризацию. Поэтому WER — сравнительный сигнал внутри одного файла, а не абсолютная оценка.

Набор данных

Три реальные записи общей длительностью 43:37:

Запись	Длительность	Характер речи	Ориентир
Уточнение задачи BDMA	14:51	2 говорящих, русский с IT-терминами	внешний транскрипт
RSQM, внутренний дейлик	14:04	5 говорящих, короткие реплики и задачи	внешний транскрипт с диаризацией
DataCat, обсуждение архитектуры	14:42	3 говорящих, высокая плотность английских терминов	внешний транскрипт с диаризацией

Сырые записи и внешние транскрипты не коммитятся в репозиторий.

Запись 1: уточнение задачи BDMA

Файл 2026-07-29 T2 BDMA уточнение задачи от Ильи.mp4, длительность 14:51, преимущественно русская речь с IT- и продуктовыми терминами.

Модель	Время	RTFx	WER к внешнему тексту	Пунктуация / 1000 слов
FasterWhisper medium CPU	1133,9 с*	0,79×*	20,8%	313
OpenVINO medium	190,6 с	4,67×	23,9%	187
GigaAM v3	72,6 с	12,27×	26,5%	0
GigaAM Multilingual CTC	84,8 с	10,51×	27,9%	0
GigaAM v3 E2E RNN-T	76,1 с	11,71×	29,0%	326
GigaAM v3 E2E CTC	72,6 с	12,27×	31,8%	338

* FasterWhisper включает около 263 секунд первой загрузки модели. Оценка самого распознавания — около 871 секунды, то есть 1,02× RTFx. Нужен отдельный cached-прогон для точного замера.

Все модели дошли до конца записи без предупреждений о потере хвоста.

Расширенный прогон

Запись	Модель	Время	RTFx	WER
RSQM	GigaAM v3	75,1 с	11,25×	23,1%
RSQM	Multilingual CTC	82,7 с	10,21×	24,4%
RSQM	E2E RNN-T	72,8 с	11,60×	25,4%
RSQM	E2E CTC	71,1 с	11,88×	28,0%
RSQM	FasterWhisper medium	686,1 с	1,23×	19,7%
DataCat	GigaAM v3	74,8 с	11,79×	27,5%
DataCat	Multilingual CTC	94,2 с	9,36×	27,9%
DataCat	E2E RNN-T	78,0 с	11,31×	26,4%
DataCat	E2E CTC	76,0 с	11,60×	28,3%
DataCat	FasterWhisper medium	954,5 с	0,92×	21,9%

Все модели обработали записи до конца. Разрыв между длительностью файла и последним сегментом составил 0,3–5,9 секунды, предупреждений о потере хвоста или повторах не было.

Сводка по трём записям

WER ниже посчитан как micro-average: сумма ошибок по трём файлам делится на суммарное число слов во внешних транскриптах.

Модель	Суммарное время	RTFx	WER	Пунктуация / 1000 слов
FasterWhisper medium CPU	2511,6 с*	1,04×	20,9%	269
GigaAM v3	222,5 с	11,76×	26,0%	0
GigaAM v3 E2E RNN-T	226,9 с	11,54×	26,9%	290
GigaAM Multilingual CTC	261,7 с	10,00×	26,9%	0
GigaAM v3 E2E CTC	219,7 с	11,91×	29,3%	305

* Для BDMA использована оценка 871 секунд чистого inference: первый запуск FasterWhisper включал ещё около 263 секунд загрузки. RSQM и DataCat измерены на прогретом кеше — 686,1 и 954,5 секунды соответственно.

RNN-T оказалась лишь на 2% медленнее обычного GigaAM по суммарному времени. Multilingual медленнее обычного GigaAM на 18%, а выигрыш E2E CTC относительно RNN-T составляет только 3% и не компенсирует ухудшение текста.

Качественное чтение

Независимый reviewer сначала прочитал полные тексты без таблицы метрик, затем сверил вывод с WER:

• FasterWhisper лучше сохраняет логику разговора и техническую лексику: Teradata, ClickHouse, ETL, legacy, MPP, SAP/BW/HANA, GUI, Apex. Значимых пропусков целых смысловых фрагментов не обнаружено.
• OpenVINO близок к FasterWhisper, но чаще склеивает слова и иногда локально меняет смысл: около 00:59 «расчёт маржинальности называется» превращается в «расчёт маржинальности не бывает».
• Обычный GigaAM v3 сохраняет почти весь смысл, числа и структуру обсуждения, но фонетические ошибки и отсутствие пунктуации ухудшают чтение и поиск.
• E2E RNN-T читается лучше обычного GigaAM и устойчивее E2E CTC, но агрессивно дробит живую речь. На DataCat она лучше обычного GigaAM по WER, однако на BDMA и RSQM хуже на 2,3–2,5 процентного пункта.
• E2E CTC даёт больше обрывков, ложных границ и смешанных артефактов: иnженter, мetднные, оrкl, линейдgами.
• Multilingual CTC не улучшила даже терминологически насыщенный DataCat и оказалась на 15–26% медленнее обычного GigaAM на новых записях.

Длинных автономных галлюцинаций не найдено. Есть локальные потенциально опасные искажения имён и терминов: Иришка, Lutriness, «расчёт маржинальности не бывает», «расчёты по губам», «понюхаю дело».

На RSQM FasterWhisper сохраняет edge-кейсы, Confluence и Backlog; GigaAM передаёт их фонетически и нестабильно (еджкейсы, ичкейсы). На DataCat FasterWhisper лучше сохраняет API, ETL, Open Platform; обычный GigaAM хорошо удерживает сам смысл архитектурного обсуждения и большинство названий фонетически. RNN-T делает текст визуально аккуратнее, но название одного и того же продукта может плавать между Fine BI, Fine Bia, FNB, а API — между API, AP, пи.

Рекомендация

• Для чтения человеком без дополнительного постпроцессинга — gigaam-v3-e2e-rnnt: по трём записям всего на 2% медленнее обычного GigaAM, но уже содержит пунктуацию и нормализацию. Это выбор цена/качество, а не максимум дословной точности.
• Для последующей машинной обработки, поиска или собственной расстановки пунктуации — gigaam-v3: лучший совокупный WER среди быстрых ONNX-вариантов и более стабильный сырой текст.
• gigaam-v3-e2e-ctc и gigaam-multilingual-ctc на этой записи преимуществ не показали.
• FasterWhisper medium остаётся выбором для важных записей с плотной терминологией, если допустима обработка около realtime. По трём файлам она в 11 раз медленнее GigaAM ради снижения WER примерно на 5–6 процентных пунктов. На CUDA соотношение необходимо измерять отдельно.

Три записи подтверждают RNN-T как практический профиль для готового текста, но не дают оснований молча менять общий default: существующие пользователи могут предпочитать более точный сырой gigaam-v3, а пунктуация RNN-T заметно дробит живую речь. Лучше выразить выбор явными профилями CLI или конфигурации.

Воспроизводимость

Для каждого ONNX-профиля использовалась команда вида:

uv run transcribe <recording.mp4> --device onnx --model <model> --compute-type int8

Время измерялось на прогретом кеше модели. WER считался после удаления метаданных и таймкодов, приведения к нижнему регистру, замены ё на е и удаления пунктуации.