Точность распознавания русской речи
Мы не пишем «точность до 98%», потому что это число невозможно проверить. Вместо него — опубликованный бенчмарк, названия моделей и лицензии.
Материал сервиса Транскриба. Исправления и вопросы: help@transkriba.ru. Проверено 14 сентября 2026 г..
Бенчмарк
Семейство GigaAM измерялось Сбером на десяти русскоязычных датасетах при единой нормализации. Метрика — WER, доля ошибочных слов. Меньше лучше.
| Модель | Автор | Лицензия | Средний WER, % | Далёкий микрофон | Кол-центр |
|---|---|---|---|---|---|
| GigaAM v3 E2E RNNT — используем мы | Сбер | MIT | 11,2 | 5,5 | 12,6 |
| GigaAM v3 RNNT — сырая ветка | Сбер | MIT | 8,3 | 3,9 | 9,5 |
| GigaAM v2 RNNT | Сбер | MIT | 10,6 | — | — |
| T-one + LM | Т-Банк | Apache-2.0 | 16,3 | — | — |
| Whisper large-v3 | OpenAI | MIT | 21,0 | 16,4 | 23,1 |
Открытый архивный замер на 200 записях
Отдельный архивный CPU-прогон сравнивает GigaAM v3 raw RNNT и Whisper large-v3 на одинаковых 200 коротких клипах Golos crowd. Это 13,7 минуты речи и 1 001 слово в нормализованных эталонах; production использует другую ветку GigaAM v3 E2E RNNT.
Сохранённые гипотезы дают WER 1,50% для raw RNNT и 12,79% для Whisper на этой выборке. Публичный JSON, контрольные суммы и скрипт позволяют проверить арифметику, но архив не фиксирует всё окружение для точного повторного запуска моделей.
| Движок | Ошибок / слов эталона | WER |
|---|---|---|
| GigaAM v3 raw RNNT | 15 / 1 001 | 1,50% |
| Whisper large-v3 | 128 / 1 001 | 12,79% |
Как проверить, на чём работает любой сервис
Количество поддерживаемых языков не раскрывает модель сервиса. Надёжная проверка требует прямого названия модели и версии, описания метода и результатов на записях нужного типа.
Где разница видна в работе
В официальной таблице используемая E2E RNNT показывает 5,5% против 16,4% у Whisper large-v3 на far-field наборе. Это ориентир для набора, не обещание для любой встречи.
На call-center срезе: 12,6% против 23,1%. На конкретной записи результат зависит от АТС, шума и наложения голосов.
Что мы используем
- GigaAM v3 E2E RNNT (Сбер, MIT) — распознавание русского
- pyannote — автоматическое разделение на спикеров и длинные записи
- Whisper large-v3 — запасной путь для других языков
- Modal — основной облачный GPU-путь для файлов; время зависит от записи, настроек и очереди
- OpenRouter через прокси Railway — Whisper large-v3-turbo для короткой диктовки и части подходящих бесплатных фрагментов
Честно о границах
Средний WER 11,2% для E2E RNNT относится к десяти тестовым наборам и не гарантирует результат конкретного файла. Для публикации, суда и научных данных вычитка человеком обязательна.
Официальную таблицу измерял Сбер. Наш открытый архив на 200 клипах Golos crowd использовал отдельную сырую RNNT и не является тестом production-сервиса; версии, набор и нормализацию нужно указывать вместе с числами.
Частые вопросы
Почему вы не пишете «точность 98%»?
Потому что без датасета, нормализации и версии модели это число нельзя проверить. Результат на дикторской начитке нельзя переносить на совещание с дальним микрофоном и одновременной речью.
Вы сами измеряли WER?
Да. Открытый архив содержит результаты raw RNNT и Whisper large-v3 на 200 клипах Golos crowd. Production использует E2E RNNT, поэтому этот прогон проверяет сохранённые модельные гипотезы, а не точность сервиса на любых файлах.
Можно ли запустить эти модели самому?
Да, GigaAM под MIT. Нужна видеокарта и обвязка: форматы, VAD, диаризация, выравнивание, экспорт.