Как распознавать речь в ноябре-декабре 2025 года?

Вы будете удивлены, но в лидеры для русского языка вышла модель от Сбера.

Спойлер - лучшим решением сегодня является локальная установка GigaAM v3 для русских задач и NVIDIA Canary 1B v2 для мультиязычных.
А теперь подробнее.

Индустрия автоматического распознавания речи (ASR) к концу 2025 года достигла точки технологической сингулярности, характеризующейся одновременным выходом нескольких фундаментальных архитектур, радикально меняющих представление о качестве, скорости и доступности речевых технологий. Период с августа по ноябрь 2025 года стал, без преувеличения, самым насыщенным на релизы за последнее десятилетие, ознаменовав окончательный переход от монолитных архитектур прошлого к гибридным и специализированным моделям нового поколения.

Для русскоязычного сегмента этот временной отрезок имеет особое, стратегическое значение. Если ранее глобальные модели, такие как Whisper от OpenAI, считались де-факто стандартом для всех языков, то последние четыре месяца продемонстрировали резкий качественный скачок локальных разработок, ориентированных на специфику кириллического домена. Появление таких решений, как Sber GigaAM v3, и обновлений от Yandex SpeechKit, создало ситуацию, когда использование глобальных моделей для обработки русской речи перестает быть оптимальным выбором ни с точки зрения качества, ни с точки зрения экономической эффективности.

Текущий ландшафт речевых технологий формируется под воздействием нескольких векторов давления.

Во-первых, это аппаратная гонка: доступность высокопроизводительных потребительских видеокарт (уровня NVIDIA RTX 4090) с большим объемом видеопамяти позволила запускать локально модели, которые ранее требовали кластерных вычислений.

Во-вторых, это архитектурная эволюция: интеграция больших языковых моделей (LLM) в пайплайны распознавания речи (как это сделано в Meta Omnilingual ASR и последних версиях GigaAM) позволяет системам не просто транскрибировать звук, но и понимать контекст, исправляя омофоны и восстанавливая пунктуацию на основе семантики, а не только акустики.

В-третьих, это экономическая оптимизация: новые API предлагают сложные схемы тарификации, где стоимость зависит не только от длительности аудио, но и от количества токенов, что требует глубокого переосмысления бизнес-моделей внедрения.

Долгое время доминирующей архитектурой в NLP и ASR оставался Transformer. Однако классический механизм внимания (self-attention) имеет квадратичную сложность от длины последовательности, что делает обработку длинных аудиозаписей ресурсоемкой. В моделях конца 2025 года, таких как NVIDIA Canary 1B v2 и GigaAM v3, стандартом стала архитектура Conformer (Convolution-augmented Transformer) и ее улучшенная версия FastConformer.

Conformer объединяет в себе способность трансформеров захватывать глобальные зависимости (длинный контекст) с эффективностью сверточных нейронных сетей (CNN) в извлечении локальных признаков. Речь обладает сильной локальной корреляцией: фонемы, составляющие слова, расположены рядом во времени. Свертки идеально подходят для их обработки, в то время как механизм внимания связывает слова в предложения. FastConformer идет еще дальше, оптимизируя процесс субсемплинга (уменьшения размерности временного ряда) на ранних слоях энкодера. Это позволяет сократить количество вычислений в 8-10 раз по сравнению с классическими трансформерами, что критически важно для локального запуска на видеокартах с ограниченным теплопакетом.

Другим важнейшим трендом стало использование мощных языковых моделей в качестве декодеров. Традиционные ASR-системы часто выдают фонетически верные, но семантически бессмысленные фразы. Новые модели, такие как Meta Omnilingual ASR, используют декодеры, обученные на гигантских текстовых корпусах. Это позволяет модели "догадываться" о правильном слове в условиях сильного шума, опираясь на вероятностную модель языка. Это особенно актуально для русского языка с его богатой морфологией и свободным порядком слов, где контекст играет решающую роль в снятии омонимии.

Классические системы требовали отдельных модулей для акустической модели, языковой модели и нормализатора текста (расстановки знаков препинания). Современные модели класса E2E (например, GigaAM-v3-e2e) обучаются выдавать сразу финальный, отформатированный текст. Это упрощает пайплайн развертывания, но предъявляет повышенные требования к качеству обучающих данных, так как нейросеть должна выучить не только акустику, но и грамматику.

Развертывание моделей на собственном оборудовании (On-Premise) предоставляет беспрецедентный контроль над данными, отсутствие задержек сети и независимость от тарифной политики облачных провайдеров. Для владельцев "крутых видеокарт" (класса NVIDIA RTX 3090, 4090, RTX 6000 Ada или серверных A100/H100) конец 2025 года открывает доступ к моделям, ранее доступным только исследовательским лабораториям.

Дата релиза: Ноябрь 2025 года.

Безусловным лидером в сегменте распознавания русского языка на текущий момент является модель GigaAM v3, разработанная командой Salute AI (Сбер). Выход этой модели в ноябре 2025 года стал кульминацией многолетних исследований в области самообучения (Self-Supervised Learning) на кириллических данных.

GigaAM v3 построена на базе архитектуры Conformer и насчитывает около 220–240 миллионов параметров. На первый взгляд, это кажется скромным по сравнению с миллиардными моделями конкурентов, однако эффективность использования параметров здесь доведена до абсолюта. Секрет успеха кроется в данных: модель была предобучена на 700 000 часов русской речи.

Для сравнения, стандартные датасеты, на которых учатся глобальные модели, содержат на порядки меньше русского материала. Более того, GigaAM v3 использовала метод обучения HuBERT-CTC. HuBERT (Hidden-Unit BERT) позволяет модели учиться на неразмеченных аудиоданных, предсказывая скрытые кластеры признаков, что существенно повышает устойчивость к шумам и акцентам. Затем энкодер дообучался с использованием CTC (Connectionist Temporal Classification) и RNN-T (Recurrent Neural Network Transducer) декодеров.

Одной из главных проблем ASR является падение качества в реальных условиях ("in-the-wild"). Разработчики GigaAM v3 целенаправленно включили в обучающую выборку сложные домены:

В результате, модель демонстрирует снижение показателя WER (Word Error Rate) на 30% по сравнению с предыдущей версией v2 именно на этих сложных доменах.

Наиболее показательным является прямое сравнение (Side-by-Side) с глобальным лидером — OpenAI Whisper Large v3. В тестах, проведенных с использованием LLM в качестве независимого судьи, а также на стандартных метриках, GigaAM v3 показала следующие результаты на русском языке:

Модель выпускается в нескольких вариантах, включая GigaAM-v3-e2e-ctc и GigaAM-v3-e2e-rnnt. Благодаря компактному размеру (~0.24 млрд параметров), она чрезвычайно "легкая" для современных GPU.

Обновление: Октябрь 2025 года.

Если GigaAM v3 является узкоспециализированным инструментом для русского языка, то NVIDIA Canary 1B v2 представляет собой вершину универсальных инженерных решений. Эта модель с 1 миллиардом параметров, входящая в семейство NeMo, занимает лидирующие позиции в открытом лидерборде Hugging Face Open ASR.

Canary 1B v2 построена на архитектуре FastConformer, что делает ее одной из самых быстрых моделей в своем классе. Обучение проводилось на закрытом датасете NVIDIA Granary, а также на публичных наборах данных. Особенностью модели является поддержка 25 европейских языков, включая русский, с возможностью перекрестного перевода (Speech-to-Text Translation).

Для задач, требующих не только текста, но и точной временной привязки (например, создание субтитров), Canary 1B v2 часто превосходит конкурентов.

Несмотря на эффективность, пользователи сталкиваются с проблемами управления памятью (VRAM) при обработке длинных аудиофайлов. Ошибки "CUDA out of memory" могут возникать даже на мощных картах, если не использовать правильные стратегии чанкинга (разбиения аудио на фрагменты).

Дата релиза: 10 ноября 2025 года.

Самым масштабным релизом конца года стала модель Omnilingual ASR от Meta (FAIR). Это модель с 7 миллиардами параметров, обученная на данных более чем 1600 языков.

В основе Omnilingual ASR лежит масштабированный энкодер wav2vec 2.0 и декодер на базе архитектуры больших языковых моделей (LLM). Такой подход позволяет модели демонстрировать феноменальные способности к Zero-shot обучению — работе с языками или диалектами, которые не были широко представлены в обучающей выборке.

Omnilingual ASR 7B — это именно та модель, которая оправдывает покупку карт уровня RTX 4090 (24 ГБ).

Дата релиза: Октябрь 2024 года (актуальна на конец 2025).

Несмотря на волну новинок, OpenAI Whisper остается важным игроком. Версия Large v3 Turbo, выпущенная в октябре 2024 года, представляет собой дистиллированную версию оригинальной v3.

Статус: Активное развитие, открытый код.

Qwen2-Audio от Alibaba Cloud — это представитель класса мультимодальных моделей. Она воспринимает аудио не просто как текст для транскрипции, а как информационный поток.

Подписывайтесь чтобы получать свежие новости по ИИ инструментам, я работаю тим лидом в крупном ИИ проекте и непрерывно изучаю новые инструменты.