GigaAM Multilingual：为低资源语言打造的基础模型

研究团队发布了面向中亚低资源语言（哈萨克语、吉尔吉斯语、乌兹别克语）的语音基础模型GigaAM Multilingual。该模型基于Conformer编码器，在200万小时音频上使用HuBERT-style目标预训练，并引入簇级数据平衡与域感知采样策略。在目标语言的自发言语识别上，它显著优于Whisper Large v3和Omnilingual-1B，同时保持了效率。团队已开源编码器和ASR模型。

以往多语种ASR在长尾语言上性能严重不均，受数据稀缺限制。GigaAM Multilingual通过数据平衡和采样方法首次在三种中亚低资源语言上超越了主流强基模型，且开源模型和训练配方，为其他类似语言提供了可复现的有效路径。

采用Conformer编码器进行HuBERT-style自监督预训练，从大规模无标注音频学习通用语音表示。簇级数据平衡策略按语言聚类调整采样权重，避免头部语言主导；域感知采样在微调时针对性增强低资源与自发言语数据，从而在数据不平衡下提升目标语言识别效果。

对于需要支持中亚语言或类似低资源语言的语音产品（如语音助手、翻译工具、字幕系统），可直接使用该开源模型进行推理或微调，显著降低研发成本并提升自发语音识别准确率，尤其在数据稀缺场景下。

• 将GigaAM Multilingual作为ASR组件集成到面向中亚市场的语音翻译或客服系统中。
• 利用其训练配方和开源模型，针对其他低资源语言（如东南亚、非洲语言）进行类似迁移。
• 基于其域感知微调能力，为特定行业（如医疗、法律）定制自发语音转录产品。

• 模型在非中亚地区的其他低资源语言上泛化效果如何？
• 模型离线推理的延迟和资源消耗是否满足移动端实时需求？
• 开源模型的许可协议是否允许商业闭源使用？
• 训练200万小时音频的算力成本与数据来源是否公开？