Glas reentrena el reconocimiento de voz GigaAM-v3: los términos de IT salen bien en el 87% de los casos, frente al 44%
El dictador Glas, basado en el modelo de reconocimiento de voz GigaAM-v3, transcribía Docker como «докер» (fonética rusa de «doquer») y «Мой ИИ редко ошибается» (mi IA se equivoca pocas veces) como «Мои редко ошибается» (frase sin sentido). Tras reentrenarlo con 25 horas de habla real, la proporción de términos de IT bien escritos subió del 43,8% al 86,7%, y la tasa de palabras erróneas (WER) bajó del 8,81% al 5,76%. Es una beta y el conjunto de prueba se etiquetó con el mismo pipeline que el entrenamiento, así que conviene verificar el resultado con datos propios.
Procesado por IA desde Хабр: NLP; editado por Hamidun News
Si dicta revisiones de código o notas de trabajo, conoce este problema: el reconocimiento de voz resuelve sin esfuerzo un «hola, ¿qué tal?», pero se rompe con el vocabulario del día a día de un desarrollador. El programa de dictado Glas funciona con GigaAM-v3, un modelo de reconocimiento de habla rusa, y justo con el léxico de IT tropezaba: Docker se convertía en «докер» (fonética rusa de «doquer») y Python en «Пайтон» (fonética rusa de «Páiton»).
El equipo de Glas reentrenó el modelo con 25 horas de habla real y la proporción de términos de IT bien escritos subió del 43,8% al 86,7%, es decir, de «menos de la mitad» a «casi siempre». La tasa general de palabras erróneas (WER) bajó a la vez del 8,81% al 5,76%, alrededor de un 35% en términos relativos respecto al valor inicial.
Qué fallaba exactamente
El modelo base entendía bien el habla rusa corriente, pero fallaba con tres grupos de palabras: nombres ingleses (Docker, Kubernetes), anglicismos ya asentados como «дашборд» (dashboard) y la abreviatura «ИИ» (IA). A veces desaparecían palabras enteras. La frase «Мой ИИ редко ошибается» (mi IA se equivoca pocas veces) el modelo la transcribió como «Мои редко ошибается» (frase sin sentido).
Un simple diccionario de sustituciones ayuda solo en parte. Solo Kubernetes se transformó en las pruebas en «Кьюбернит», «Куберните», «кубернетис», «Gubernitis» y «Qubernit». Todas esas variantes no caben en un diccionario. Con «ИИ» es aún más complicado: en un texto aislado cuesta distinguir la abreviatura de la conjunción «и» alargada; hace falta el sonido. Por tanto, hay que arreglar el propio modelo, no el posprocesado.
Cómo se reentrenó y qué resultó
GigaAM es una familia de modelos de reconocimiento de voz con arquitectura Conformer. El equipo usa la variante con cabeza RNNT, que devuelve directamente texto con mayúsculas y puntuación. En el servidor, el codificador funciona en FP16 y la cabeza RNNT en FP32. Silero VAD corta las grabaciones largas por las pausas y los segmentos cortos se reconocen por lotes. La decodificación es voraz (greedy), sin modelo de lenguaje externo, y el hardware es una tarjeta gráfica RTX A2000 de 12 GB.
No hizo falta cambiar el tokenizador: su vocabulario de 1024 tokens ya incluye caracteres latinos y los nombres necesarios se codifican sin rodeos. También se mantuvieron la arquitectura, el código del modelo y el formato de los pesos, para poder sustituir la versión antigua por la reentrenada sin rehacer el servidor.
El reentrenamiento final usó 25 horas de habla real. La prueba con 525 grabaciones cortas reservadas arrojó estas cifras:
- el WER bajó del 8,81% al 5,76%;
- la proporción de términos bien escritos subió del 43,8% al 86,7%;
- la velocidad de funcionamiento apenas cambió.
Para producción, el último punto importa tanto como los dos primeros: la calidad mejoró sin costes adicionales de GPU.
La lección del primer intento fallido
Al principio, el equipo tomó la variante CTC de GigaAM y reunió 4,4 horas de datos: unas 1100 frases sintéticas con términos de IT y aproximadamente otras tantas grabaciones de las partes rusa e inglesa del dataset FLEURS. Congelaron las 12 capas inferiores del codificador y entrenaron las cuatro superiores y la cabeza CTC.
En un banco de 12 frases sintéticas, la proporción de términos correctos saltó del 6% al 86%. Pero al compararlo con el modelo RNNT en producción sobre 150 grabaciones reales de FLEURS, el panorama fue distinto. La conclusión práctica: un buen resultado en una prueba artificial no garantiza nada; hay que verificar con habla real.
Limitaciones, sin maquillaje
Los autores llaman a la versión 0.01 y beta, y no ocultan los inconvenientes. El modelo reentrenado omite palabras con más frecuencia y, en habla corriente, reproduce peor las mayúsculas y minúsculas y la puntuación. Además, la muestra de prueba se etiquetó con el mismo pipeline automático que la de entrenamiento, con revisión manual solo por muestreo. Parte de la mejora puede deberse a la coincidencia en el estilo de etiquetado y no a una mejora real del reconocimiento.
Qué hacer con esto
Si está construyendo entrada de voz, transcripción de reuniones o un asistente para desarrolladores, de esta historia se pueden extraer varias reglas:
- antes de escribir un diccionario de sustituciones, reúna una lista de errores reales: si un término se escribe de cinco maneras, hay que arreglar el modelo;
- reentrenar con decenas de horas de habla real puede duplicar la precisión de los términos sin cambiar la arquitectura y sin aumentar la carga sobre el hardware;
- mantenga la compatibilidad con el formato de los pesos para que sustituir el modelo y volver atrás lleve minutos;
- etiquete el conjunto de prueba de forma independiente del de entrenamiento; de lo contrario, solo mide la coincidencia con su propio pipeline;
- vigile los efectos secundarios: ganar precisión en términos puede costar palabras omitidas y puntuación estropeada.
Para vocabulario de dominio estrecho, como los términos de IT, reentrenar un modelo ya hecho parece más sensato que intentar resolver el problema con diccionarios.
- 8 nov 2026Un protocolo de consulta con IA completa 50 campos en 35 segundos en Moscu, mientras las clinicas privadas guardan silencio
- 21 nov 2026Whisper entiende mejor que GigaAM 454 términos de TI, aunque GigaAM falla menos en palabras
- 10 oct 2026El autor del dictado sin conexión con GigaAM publica Giga Pisar en Google Play y busca probadores
- 27 oct 2026SberDevices lanza GigaAM-v3 en código abierto: reconocimiento del habla en ruso mejor en al menos un 10%
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué fallaba exactamente?
El modelo base entendía bien el habla rusa corriente, pero fallaba con tres grupos de palabras: nombres ingleses (Docker, Kubernetes), anglicismos ya asentados como «дашборд» (dashboard) y la abreviatura «ИИ» (IA). A veces desaparecían palabras enteras. La frase «Мой ИИ редко ошибается» (mi IA se equivoca pocas veces) el modelo la transcribió como «Мои редко ошибается» (frase sin sentido). Un simple diccionario de sustituciones ayuda solo en parte.
Cómo se reentrenó y qué resultó?
GigaAM es una familia de modelos de reconocimiento de voz con arquitectura Conformer. El equipo usa la variante con cabeza RNNT, que devuelve directamente texto con mayúsculas y puntuación. En el servidor, el codificador funciona en FP16 y la cabeza RNNT en FP32. Silero VAD corta las grabaciones largas por las pausas y los segmentos cortos se reconocen por lotes. La decodificación es voraz (greedy), sin modelo de lenguaje externo, y el hardware es una tarjeta gráfica RTX A2000 de 12 GB.
¿Qué se sabe sobre La lección del primer intento fallido?
Al principio, el equipo tomó la variante CTC de GigaAM y reunió 4,4 horas de datos: unas 1100 frases sintéticas con términos de IT y aproximadamente otras tantas grabaciones de las partes rusa e inglesa del dataset FLEURS. Congelaron las 12 capas inferiores del codificador y entrenaron las cuatro superiores y la cabeza CTC. En un banco de 12 frases sintéticas, la proporción de términos correctos saltó del 6% al 86%.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.