Модели

Модель по умолчанию

Речь распознает GigaAM-v3 E2E RNN-T (gigaam-v3-e2e-rnnt) - открытая модель распознавания русской речи от SberDevices под лицензией MIT. Она сразу пишет текст с пунктуацией, заглавными буквами и числами цифрами. Модель работает через onnx-asr и ONNX Runtime, без PyTorch, по умолчанию - с весами int8.

Другие модели

Любую модель onnx-asr можно выбрать по имени параметром -m или аргументом model у Transcriber; при первом запуске она скачивается с Hugging Face. Модели, которые распознают русский:

Модель	Особенности
gigaam-v3-e2e-rnnt, gigaam-v3-e2e-ctc	Пунктуация, заглавные буквы и числа цифрами; CTC обычно быстрее RNN-T
gigaam-v3-rnnt, gigaam-v3-ctc	Строчные буквы без пунктуации, числа словами
gigaam-v2-rnnt, gigaam-v2-ctc	Предыдущая версия GigaAM
t-tech/t-one	Модель Т-Банка для телефонной речи
nemo-fastconformer-ru-rnnt, nemo-fastconformer-ru-ctc	NVIDIA NeMo FastConformer для русского с пунктуацией
alphacep/vosk-model-ru, alphacep/vosk-model-small-ru	Модели Vosk; small - для слабых компьютеров
onnx-community/whisper-large-v3-turbo	Многоязычная модель OpenAI Whisper; заметно тяжелее остальных
nemo-parakeet-tdt-0.6b-v3	Многоязычная модель NVIDIA

Полный список и форматы файлов моделей - в документации onnx-asr. Какая модель лучше для ваших записей, покажет оценка качества на своей разметке:

stt-ru evaluate eval.csv -m gigaam-v3-e2e-rnnt -m t-tech/t-one -m alphacep/vosk-model-ru

Параметры

Параметры модели, устройства и поиска речи общие для команд transcribe, evaluate и serve.

Параметр	По умолчанию	Описание
-m, --model	gigaam-v3-e2e-rnnt	Модель onnx-asr; у evaluate можно повторить
--quantization	int8	Квантизация весов: int8 или none - исходные веса
--model-dir	-	Каталог с файлами модели; у evaluate - только для одной модели
--device	auto	Устройство: auto, cpu, cuda, coreml, directml (см. Установка)
--mono	выключен	Сводить каналы в один
--ffmpeg	-	Путь к программе ffmpeg
--vad-threshold, --min-speech-ms, --max-speech-s, --min-silence-ms, --speech-pad-ms	см. ниже	Параметры поиска речи

Квантизация

Веса int8 примерно вчетверо меньше исходных и обычно быстрее на CPU. --quantization none берет исходные веса; разницу в качестве на своих записях покажет оценка качества с тем и другим значением. Если у модели нет весов int8, загружаются исходные с предупреждением.

Файлы модели на диске

--model-dir (аргумент model_dir) берет файлы модели распознавания из каталога: например, модель, скачанную вручную. Если каталога нет, модель скачивается в него. Silero VAD при этом берется из кэша Hugging Face, поэтому на компьютере без интернета проще скопировать кэш целиком и указать его в HF_HOME (см. Установка).

stt-ru transcribe call.wav -m gigaam-v3-e2e-rnnt --model-dir /models/gigaam-v3-e2e-rnnt

Поиск речи

stt_ru.vad.VadOptions

Перед распознаванием запись режется на фрагменты речи: модели принимают фрагменты не длиннее 20-30 с. Речь ищет Silero VAD, значения по умолчанию - его и onnx-asr.

Параметр команды	Поле VadOptions	По умолчанию	Описание
--vad-threshold	threshold	0.5	Вероятность речи, с которой начинается фрагмент, от 0 до 1
-	neg_threshold	threshold - 0.15	Вероятность, ниже которой фрагмент заканчивается
--min-speech-ms	min_speech_duration_ms	250	Наименьшая длительность фрагмента, мс: короткие отбрасываются
--max-speech-s	max_speech_duration_s	20	Наибольшая длительность фрагмента, с: длинные режутся
--min-silence-ms	min_silence_duration_ms	100	Наименьшая пауза, которая разделяет фрагменты, мс
--speech-pad-ms	speech_pad_ms	30	Запас по краям фрагмента, мс

• Шумная запись дает фрагменты из шума - поднимите --vad-threshold, например до 0.6.
• Тихую речь модель пропускает - опустите порог до 0.35-0.4.
• Реплики делятся на слишком короткие фрагменты - увеличьте --min-silence-ms, например до 300: фрагменты станут длиннее, субтитры - реже.
• max_speech_duration_s должна быть хотя бы на секунду больше двух speech_pad_ms.

>>> from stt_ru import Transcriber
>>> from stt_ru.vad import VadOptions

>>> transcriber = Transcriber(vad=VadOptions(threshold=0.6, min_silence_duration_ms=300))