GigaAM v3 Transcriber

🇷🇺 Русский · 🇺🇸 English

Программа для расшифровки русской речи из аудио и видео на модели GigaAM-v3 от SaluteDevices. Работает локально: файлы никуда не отправляются. Умеет разделять говорящих, делать субтитры, чистить шум и пересказывать расшифровку через LLM.

Один и тот же движок доступен в шести интерфейсах: нативное приложение для macOS (GigaAM Liquid), классическое десктоп-приложение на PyQt для Windows/macOS/Linux, командная строка, REST API, веб-панель и терминальный TUI.

Содержание

Как это выглядит
Что умеет
Установка готовых сборок
GigaAM Liquid — нативное приложение для macOS
Запуск из исходников
Интерфейсы
Live: запись и расшифровка в реальном времени
LLM: выжимки, задачи и свои промпты
Субтитры
Диаризация — кто говорит
Подготовка аудио и шумоподавление
Движок распознавания (ASR backend)
Где хранятся модели и данные
Офлайн-сборки
Веб-панель в Docker
Структура репозитория
Благодарности

Как это выглядит

GigaAM Liquid (macOS)

Обработка	Live

LLM: провайдер найден автоматически	Настройки → LLM: найденные CLI

Тёмная тема: обработка · Live · LLM · настройки LLM.

Классическое приложение (PyQt, Windows / macOS / Linux)

Обработка	LLM

Настройки LLM: таблица инструментов	Тёмная тема

Что умеет

Расшифровка

Пакетная обработка файлов и целых папок (с подпапками), drag & drop, загрузка по ссылке через yt-dlp.
Экспорт в txt, txt с таймкодами, md, srt, vtt, а с диаризацией — текст с именами говорящих (с таймкодами и без).
Три движка на выбор: MLX на Apple Silicon (самый быстрый на Mac), ONNX Runtime (без PyTorch, работает на CPU, CUDA, CoreML, DirectML) и PyTorch.
Умная подготовка звука: приложение само оценивает запись и при необходимости нормализует громкость, убирает шум лёгким фильтром или DeepFilterNet — только если это реально улучшает результат.

Говорящие и субтитры

Диаризация тремя способами: pyannote, ONNX (PyAnnote + WeSpeaker) или NVIDIA Streaming Sortformer v2.1.
SRT/VTT режутся на короткие фразы по пунктуации и таймстампам слов; число строк и ширина строки настраиваются, не влияя на TXT/MD.

Реальное время

Вкладка Live: микрофон, системный звук или оба сразу, отдельная дорожка на каждый источник, диаризация «на лету» или после остановки, плавающий оверлей с текстом и вопросами ассистенту.

LLM-постобработка

Готовые режимы «Выжимка» и «Задачи» плюс свой промпт.
Провайдеры: любой OpenAI-совместимый или Anthropic API, а также локальные CLI — Claude Code, Codex, OpenCode, Pi, oh-my-pi и произвольная команда.
CLI-инструменты находятся автоматически (в том числе из homebrew, npm, bun, nvm — даже когда приложение запущено из Finder или Dock), их статус и версия видны в настройках.

Прочее

Русский и английский интерфейс, светлая и тёмная темы, журнал событий, прогресс по стадиям, отмена очереди.
Веб-панель с авторизацией, прогрессом по SSE, восстановлением задач после перезапуска и защищённым Docker-образом.

Установка готовых сборок

Скачайте архив под свою систему со страницы Releases. У каждого релиза две версии: обычная докачивает модели при первом запуске, офлайн (*-offline*) содержит базовый набор ONNX-моделей и не требует ни сети, ни токена Hugging Face — см. Офлайн-сборки.

Система	Что скачать
macOS, Apple Silicon — нативное приложение	`GigaAMLiquid-macos-arm64-<версия>.zip`
macOS, Apple Silicon — классическое PyQt	`GigaAMTranscriber-macos-app-<версия>.zip`
macOS, Intel	`GigaAMTranscriber-macos-x86_64-app-offline-<версия>.zip` (только офлайн, ONNX + CoreML, macOS 13+)
Windows x64	`GigaAMTranscriber-windows-x64.exe` или `…-offline.zip`
Linux x64	`GigaAMTranscriber-linux-x64` или `…-offline.zip`

Сборки для macOS подписаны ad-hoc, поэтому при первом открытии Gatekeeper может отказать. Откройте приложение через правый клик → «Открыть», либо снимите карантин:

xattr -dr com.apple.quarantine /Applications/GigaAMLiquid.app

Windows-сборка портативная: распакуйте и запустите .exe. Путь к папке с моделями не должен содержать кириллицу — некоторые нативные библиотеки с ней не работают.

GigaAM Liquid — нативное приложение для macOS

GigaAM Liquid — отдельный клиент на Swift/AppKit с интерфейсом в стиле Liquid Glass (macOS 26; на macOS 13–15 используется обычное размытие). Внутри архива один GigaAMLiquid.app: вся обработка выполняется встроенным Python-движком, который лежит в Contents/Resources и запускается как фоновый процесс. Отдельно ставить Python не нужно.

Что есть в приложении:

Обработка — перетащите файлы или вставьте ссылку на медиа; форматы вывода, диаризация, число говорящих и настройки субтитров — на той же странице. Готовый текст и файлы — на странице «Результат».
Live — микрофон и/или системный звук (ScreenCaptureKit), запись дорожек, расшифровка по мере записи, вопросы ассистенту по текущей записи.
LLM — выжимка, задачи или свой промпт для любого транскрипта; рядом с выбранным провайдером показывается его статус (● 18.2.5, ○ не найден).
Настройки → LLM — таблица всех CLI-инструментов со статусом, версией и путём; кнопки «Обзор…», «Проверить», «Пересканировать»; аргументы и внутренний провайдер для каждого CLI; переключатель «Разрешить инструменты и сессии агента».
Журнал, API (примеры запросов к REST-серверу), Настройки (модель, движок, диаризация, аудио, пути, тема, язык).

Разрешения: Микрофон — для записи голоса, Запись экрана — для системного звука (так устроен ScreenCaptureKit). Токен Hugging Face и ключ API хранятся в Связке ключей.

Собрать самостоятельно:

# движок (PyInstaller, 5–20 минут)
bash packaging/build_exe_mac.sh              # → dist/GigaAMTranscriber.app
# нативный клиент
swift build -c release --package-path macos/GigaAMLiquid

Точная сборка бандла (Info.plist, вложение движка, подпись) описана в .github/workflows/build.yml, шаг «Assemble and verify app bundle». Для разработки достаточно swift run --package-path macos/GigaAMLiquid из корня репозитория — клиент найдёт .venv/bin/python проекта сам.

Запуск из исходников

Нужен Python 3.10+ и ffmpeg в PATH.

git clone https://github.com/dubr1k/GigaAMGUI.git
cd GigaAMGUI
cp .env.example .env
python -m venv .venv && source .venv/bin/activate   # Windows: .venv\Scripts\activate
python -m pip install -r requirements.txt
ffmpeg -version
python app.py

Для диаризации через pyannote укажите в .env токен Hugging Face (HF_TOKEN=…) и примите условия моделей pyannote/speaker-diarization-3.1 и pyannote/segmentation-3.0. ONNX-диаризация и Sortformer токена не требуют.

Дополнительные наборы зависимостей:

python -m pip install -r requirements-live-macos.txt     # Live на macOS 13+
python -m pip install -r requirements-live-windows.txt   # Live на Windows (PyAudioWPatch)
python -m pip install -r requirements-live-linux.txt     # Live на Linux (+ libportaudio2 pulseaudio-utils libasound2-plugins)
python -m pip install -r requirements-sortformer.txt     # NVIDIA Sortformer (тянет NeMo)
python -m pip install -r requirements-macos-mlx.txt      # MLX на Apple Silicon

Для видеокарт RTX 50xx (Blackwell) сначала поставьте совместимый PyTorch:

python -m pip install torch==2.8.0 torchvision==0.23.0 torchaudio==2.8.0 --index-url https://download.pytorch.org/whl/cu128
python -m pip install -r requirements.txt

Интерфейсы

Интерфейс	Запуск	Когда удобен
GigaAM Liquid (macOS)	`GigaAMLiquid.app`	Повседневная работа на Mac
Классический GUI (PyQt)	`python app.py`	Windows, Linux, macOS
CLI	`python cli.py -f audio.wav -o output`	Скрипты и пакетная автоматизация
REST API	`python api.py`	Интеграции; документация на `http://127.0.0.1:8000/docs`
Веб-панель	`docker compose up -d --build gigaam-web`	Сервер в локальной сети: `http://127.0.0.1:8001/`
TUI (preview)	`cd tui && cargo run --release`	Очередь задач в терминале

Установить TUI одной командой:

curl -fsSL https://raw.githubusercontent.com/dubr1k/GigaAMGUI/main/scripts/install_tui.sh | bash
gigaam

Live: запись и расшифровка в реальном времени

Вкладка Live есть в Liquid и в PyQt. Источники — микрофон, системный звук или оба одновременно, для каждого выбирается своё устройство. По желанию сохраняются mic.wav, system.wav и, при двух источниках, mix.wav. После остановки доступны те же форматы экспорта, что и при обычной обработке.

Диаризация в Live работает в трёх режимах: выключена, анонимная оценка в реальном времени (метки могут уточняться в последние 10 секунд) или полная обработка после остановки. Кнопка «Оверлей» открывает плавающее окно поверх других приложений с финальным и промежуточным текстом; там же можно задать LLM вопрос по уже расшифрованному.

Платформы:

macOS 13+ — микрофон через sounddevice (разрешение Microphone), системный звук через ScreenCaptureKit (разрешение Screen Recording).
Windows — requirements-live-windows.txt (PyAudioWPatch, loopback WASAPI).
Linux — requirements-live-linux.txt плюс системные libportaudio2, pulseaudio-utils, libasound2-plugins. Системный звук берётся только из существующего monitor-источника PipeWire/PulseAudio: приложение находит его через pactl, открывает поток на ALSA-агрегате pulse и переключает на выбранный монитор через move-source-output. Если переключить не удалось, сессия завершается ошибкой, а не пишет микрофон вместо системного звука.

Портативные и офлайн-сборки уже содержат всё для Live (включая PortAudio на Linux); команды выше нужны только при запуске из исходников.

LLM: выжимки, задачи и свои промпты

Страница LLM принимает готовые транскрипты (файлы или вставленный текст) и прогоняет их через выбранную модель в одном из режимов: Выжимка, Задачи или Свой промпт. Результат сохраняется в txt, md или docx рядом с транскриптом или в выбранную папку.

Провайдеры

Провайдер	Как работает
API	Любой OpenAI-совместимый endpoint или Anthropic Messages API. Тип определяется по URL. Ретраи на 429/5xx с учётом `Retry-After`. Google Gemini подключается через `https://generativelanguage.googleapis.com/v1beta/openai/`.
Claude Code	`claude -p` — локальный CLI Anthropic.
Codex	`codex exec` — CLI OpenAI. Модель выбирает сам клиент.
OpenCode	`opencode run`, модель в формате `provider/model`.
Pi	`pi -p`; можно задать внутренний provider (anthropic, openai, google…).
oh-my-pi	`omp -p` — форк pi с 60+ провайдерами; модель задаётся нечётко (`opus`, `gpt-5.2`, `openai/gpt-5.2`).
Другое	Своя команда: промпт передаётся последним аргументом и в stdin; напишите `{stdin}` в аргументах, чтобы передавать только через stdin.

Как находятся CLI

Приложение, запущенное из Finder, Dock или ярлыка, получает «пустой» системный PATH и не видит claude, omp или codex, установленные через homebrew, npm, bun или nvm. Поэтому поиск устроен так:

проверяется PATH процесса и типичные каталоги установки — /opt/homebrew/bin, /usr/local/bin, ~/.local/bin, ~/.bun/bin, ~/.npm-global/bin, ~/.volta/bin, ~/.cargo/bin, все версии nvm, pnpm; на Windows — %APPDATA%\npm, scoop, bun, pnpm;
найденный бинарь запускается с --version; в настройках видны статус (● найден, ○ не найден, ⚠ не запускается) и версия;
тот же расширенный PATH получает и сам CLI, поэтому npm-обёртки claude/opencode находят node.

Пустое поле пути означает автопоиск. Кнопка «Обзор…» позволяет указать бинарь вручную, «Проверить» — перепроверить один инструмент, «Пересканировать» — все сразу. Для ненайденного инструмента показывается команда установки.

Безопасный запуск

По умолчанию агентные CLI запускаются как обычный запрос к модели: без инструментов и без сохранения сессии (--no-tools --no-session у pi/omp, --tools "" --no-session-persistence у Claude Code, run --pure у OpenCode). Выжимка транскрипта — не задача для coding-агента, и она не должна засорять его историю. Переключатель «Разрешить инструменты и сессии агента» снимает это ограничение.

Промпт передаётся через stdin, а не аргументом командной строки: длинные транскрипты не упираются в лимит аргумента (128 КиБ на Linux).

Аргументы в настройках — дополнительные флаги командной строки, которые добавляются к запуску как есть, например --thinking low. Обычно они не нужны. Provider у Pi и oh-my-pi — внутренний поставщик модели, если нужно переопределить настроенный в самом CLI.

Субтитры

Настройки SRT/VTT находятся рядом с выбором форматов: число строк в блоке, максимальная ширина строки и разбиение по предложениям. Они не влияют на TXT и MD. CLI принимает те же параметры:

python cli.py -f audio.wav --format srt --format vtt \
  --subtitle-sentence-split --subtitle-max-lines 2 --subtitle-max-width 64

В TUI — команды /subtitle-split on|off, /subtitle-lines 1..4, /subtitle-width 20..100.

При наличии таймстампов слов каждый cue получает точные границы; иначе время распределяется внутри исходного сегмента распознавания. С диаризацией SRT подписывает говорящего только при его смене (Спикер №1:), а VTT добавляет стандартный <v Спикер №1> в каждый cue — в плеере он невидим, но нужен для атрибуции и стилей.

Диаризация — кто говорит

Движок	Особенности
pyannote	Проверенный вариант; нужен `HF_TOKEN` и принятые условия моделей.
ONNX (PyAnnote + WeSpeaker)	Без PyTorch и токена; сохраняет перекрывающуюся речь, кластеризует embeddings. Используется в офлайн-сборках.
NVIDIA Sortformer v2.1	Сам определяет число говорящих (до четырёх); токен не нужен. Лучше на CUDA, на Apple Silicon работает через MPS с автоматическим откатом на CPU. Модель ~470 МБ скачивается при первом использовании.

Sortformer в полной macOS-сборке уже включён; из исходников ставится через requirements-sortformer.txt (NeMo 2.7 — версии из Space намеренно не используются из-за исправленных позже уязвимостей). На Windows Sortformer работает через ONNX Runtime без NeMo. Для веб-панели соберите расширенный образ: INSTALL_SORTFORMER=1 docker compose build gigaam-web.

python cli.py --diarize --diarization-backend sortformer -f audio.wav
python cli.py --backend onnx --diarize --diarization-backend onnx -f audio.wav

Диаризация всегда получает исходную дорожку (без шумоподавления), поэтому тембр говорящих и таймкоды не искажаются.

Подготовка аудио и шумоподавление

Режим AUDIO_PREPROCESSING_MODE=auto (по умолчанию) перед распознаванием измеряет громкость, уровень шума, SNR, клиппинг, тишину, DC-смещение и спектральные признаки и выбирает одно из действий: ничего не менять, нормализовать громкость, применить мягкий фильтр FFmpeg или включить DeepFilterNet для сильного широкополосного шума. Обработанный вариант проверяется повторно и берётся только если он действительно лучше — без роста клиппинга, потерь речи и изменения длительности. Паузы не вырезаются.

DeepFilterNet — официальный Rust-бинарь 0.5.6, который скачивается с GitHub Releases при первом тяжёлом шуме, проверяется по SHA-256 и хранится в кэше. Python-пакет DeepFilterNet не нужен. Если сети нет или платформа не поддерживается, распознавание идёт по исходной дорожке.

AUDIO_PREPROCESSING_MODE=auto   # off | auto | light | denoise

python cli.py --audio-preprocessing off -f studio.wav

Движок распознавания (ASR backend)

Backend	Где и зачем
`auto`	На Apple Silicon — MLX, на macOS Intel — ONNX, на остальных — PyTorch.
`mlx`	gigaam-mlx, самый быстрый вариант на Mac.
`onnx`	`onnx-asr`, без PyTorch. Провайдеры: CPU, CUDA, TensorRT, CoreML, DirectML.
`pytorch`	Классический движок; CPU, CUDA, Intel XPU, MPS.

python cli.py --backend auto -f audio.wav
python cli.py --backend onnx --onnx-provider coreml -f audio.wav

В портативных сборках Windows/Linux ONNX использует CUDA выбранного PyTorch-runtime (cu124/cu128) с откатом на CPU; macOS — CoreML → CPU. DirectML и TensorRT включаются вручную и только если установленный ONNX Runtime их предоставляет. Реальная цепочка провайдеров пишется в журнал.

REST API принимает те же параметры как query-строку, а список допустимых значений отдаёт GET /api/v1/asr/options:

curl -H "X-API-Key: $GIGAAM_API_KEY" -F "file=@audio.wav" \
  "http://127.0.0.1:8000/api/v1/transcribe?asr_backend=onnx&asr_model=v3_e2e_rnnt&onnx_provider=coreml"

Сравнить движки на своём корпусе:

python scripts/benchmark_asr_backends.py corpus/asr.json --backend onnx --backend pytorch --output asr-metrics.json
python scripts/benchmark_diarization_backends.py corpus/diarization.json --backend onnx --backend pyannote --output diarization-metrics.json

macOS Intel

Для Intel-маков публикуется отдельный офлайн-ассет: .app плюс папка models. Сборка без torch и mlx — распознавание, VAD и диаризация целиком на ONNX Runtime (CoreML/CPU). Нужна macOS 13+. arm64-сборки на Intel не запускаются: Rosetta работает в обратную сторону.

python -m pip install -r requirements-macos-x86_64.txt -r requirements-live-macos.txt
bash packaging/build_exe_mac_x86_64.sh

Где хранятся модели и данные

Все крупные загрузки — PyTorch runtime, GigaAM, ONNX/MLX, pyannote, Sortformer, NeMo, DeepFilterNet — можно направить на выбранный диск одним параметром GIGAAM_DATA_DIR. Внутри создаются runtimes и models/{gigaam,huggingface,onnx,torch,nemo,deepfilter}.

PyQt: Настройки → «Папка данных и моделей…». Портативная сборка предлагает выбрать папку до первой загрузки. После смены нужен перезапуск; уже скачанные модели не переносятся автоматически.
Liquid: переменная окружения GIGAAM_DATA_DIR (например, через launchctl setenv GIGAAM_DATA_DIR /Volumes/Data/GigaAM); встроенный движок читает её так же, как CLI.
CLI/GUI: python app.py --data-dir /mnt/large/GigaAMData, python cli.py --data-dir ….
TUI: gigaam --data-dir ….
REST API / Web: задайте GIGAAM_DATA_DIR до запуска сервера.

Узкие переменные (HF_HOME, HUGGINGFACE_HUB_CACHE, TRANSFORMERS_CACHE, TORCH_HOME, NEMO_HOME, ONNX_MODEL_DIR, GIGAAM_RUNTIME_DIR, GIGAAM_CONFIG_DIR, GIGAAM_PYTORCH_MODEL_DIR, GIGAAM_DEEPFILTER_DIR) имеют приоритет, если отдельный компонент нужно положить в другое место. Небольшие пользовательские настройки (язык, токены, параметры обработки) живут в системном config-каталоге и при смене диска не сбрасываются.

Офлайн-сборки

Архивы *-offline* содержат рядом с исполняемым файлом папку models с базовой ONNX-цепочкой: распознавание, VAD и диаризация PyAnnote + WeSpeaker. Такой сборке не нужны сеть, токен Hugging Face и PyTorch. Распакуйте архив целиком и запускайте из распакованной папки — модели ищутся рядом. Папка офлайн-моделей только читается; всё, что скачивается позже (multilingual, MLX, pyannote, Sortformer), попадает в обычный кэш приложения.

Собрать набор моделей самостоятельно:

python scripts/build_offline_models.py --output offline/models/hf

Веб-панель в Docker

cp .env.example .env            # WEB_SECRET, WEB_USERNAME, WEB_PASSWORD
mkdir -p uploads results logs cache
docker compose up -d --build gigaam-web
curl -fsS http://127.0.0.1:8001/health

GIGAAM_DATA_DIR для Compose — путь на хосте; внутри контейнера он монтируется как /data. Корневая файловая система контейнера read-only, поэтому кэши (HF_HOME, TORCH_HOME, NEMO_HOME, ONNX_MODEL_DIR, GIGAAM_RUNTIME_DIR) должны оставаться под /data.

При обновлении пересобирайте контейнер, но сохраняйте GIGAAM_DATA_DIR, uploads, results и logs — модели и файлы пользователей лежат в этих томах. Если каталоги создавались от root, дайте UID 1000 права на запись. После обновления проверяйте /health и журнал:

docker compose ps gigaam-web
docker compose logs --tail=200 gigaam-web

В логе не должно быть Read-only file system или VAD недоступен. Reverse proxy к 127.0.0.1:8001 настраивается отдельно.

Структура репозитория

GigaAMGUI/
├── app.py                 # классический PyQt-клиент
├── cli.py                 # командная строка
├── api.py                 # REST API (FastAPI)
├── src/
│   ├── core/              # распознавание, диаризация, субтитры
│   ├── services/          # общий слой: транскрипция, LLM, реестр CLI (cli_tools.py)
│   ├── gui/               # PyQt-миксины
│   ├── live/              # захват и live-сессии
│   └── utils/             # ffmpeg, подготовка аудио, HTTP-клиент LLM
├── macos/GigaAMLiquid/    # нативный Swift-клиент для macOS
├── tui/                   # Ratatui-клиент
├── web/                   # веб-панель
├── packaging/             # PyInstaller-спеки и скрипты сборки
├── tests/
└── docs/                  # CHANGELOG, release notes, инструкции

Для разработчиков: правила проекта — в AGENTS.md; список изменений — в docs/CHANGELOG.md.

Благодарности

SaluteDevices / GigaAM и GigaAM-v3 на Hugging Face
aystream / gigaam-mlx — MLX-порт для Apple Silicon
istupakov / onnx-asr — лёгкое кроссплатформенное распознавание на ONNX
NVIDIA Streaming Sortformer v2.1 и Scrybl / ONNX-экспорт
parakeet-rs — MIT, референс потокового Sortformer на ONNX
DeepFilterNet — MIT, нейросетевое шумоподавление

Name		Name	Last commit message	Last commit date
.github		.github
assets		assets
bin		bin
deploy		deploy
desktop		desktop
distribution		distribution
docs		docs
licenses		licenses
macos/GigaAMLiquid		macos/GigaAMLiquid
packaging		packaging
pyinstaller_hooks		pyinstaller_hooks
scripts		scripts
src		src
tests		tests
tui		tui
web		web
.dockerignore		.dockerignore
.env.example		.env.example
.gitattributes		.gitattributes
.gitignore		.gitignore
AGENTS.md		AGENTS.md
Dockerfile		Dockerfile
README.md		README.md
README_EN.md		README_EN.md
api.py		api.py
app.py		app.py
cli.py		cli.py
docker-compose.yml		docker-compose.yml
docker-entrypoint.sh		docker-entrypoint.sh
download_models.py		download_models.py
pyproject.toml		pyproject.toml
requirements-dev.txt		requirements-dev.txt
requirements-legacy-pytorch.txt		requirements-legacy-pytorch.txt
requirements-live-linux.txt		requirements-live-linux.txt
requirements-live-macos.txt		requirements-live-macos.txt
requirements-live-windows.txt		requirements-live-windows.txt
requirements-macos-mlx.txt		requirements-macos-mlx.txt
requirements-macos-x86_64.txt		requirements-macos-x86_64.txt
requirements-onnx-gpu.txt		requirements-onnx-gpu.txt
requirements-sortformer.txt		requirements-sortformer.txt
requirements-tui.txt		requirements-tui.txt
requirements.txt		requirements.txt
start_gigaam.bat		start_gigaam.bat

Navigation Menu

Repository files navigation

GigaAM v3 Transcriber

Содержание

Как это выглядит

GigaAM Liquid (macOS)

Классическое приложение (PyQt, Windows / macOS / Linux)

Что умеет

Установка готовых сборок

GigaAM Liquid — нативное приложение для macOS

Запуск из исходников

Интерфейсы

Live: запись и расшифровка в реальном времени

LLM: выжимки, задачи и свои промпты

Провайдеры

Как находятся CLI

Безопасный запуск

Субтитры

Диаризация — кто говорит

Подготовка аудио и шумоподавление

Движок распознавания (ASR backend)

macOS Intel

Где хранятся модели и данные

Офлайн-сборки

Веб-панель в Docker

Структура репозитория

Благодарности

About

Releases

Packages

Contributors

Languages

Latest commit

History

Folders and files

Repository files navigation

GigaAM v3 Transcriber

Содержание

Как это выглядит

GigaAM Liquid (macOS)

Классическое приложение (PyQt, Windows / macOS / Linux)

Что умеет

Установка готовых сборок

GigaAM Liquid — нативное приложение для macOS

Запуск из исходников

Интерфейсы

Live: запись и расшифровка в реальном времени

LLM: выжимки, задачи и свои промпты

Провайдеры

Как находятся CLI

Безопасный запуск

Субтитры

Диаризация — кто говорит

Подготовка аудио и шумоподавление

Движок распознавания (ASR backend)

macOS Intel

Где хранятся модели и данные

Офлайн-сборки

Веб-панель в Docker

Структура репозитория

Благодарности

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages