Сбер представил GigaChat Audio — модель распознаёт эмоции и ищет моменты в длинных аудиозаписях
Кодик кратко объясняет суть статьи
Сбер выпустил обновлённую модель GigaChat Audio, способную напрямую анализировать аудиофайлы и голосовые сообщения без перевода речи в текст. Ключевая новинка — распознавание эмоций по интонации и характеристикам голоса, что позволяет модели адаптировать тон ответа в зависимости от настроения пользователя. Она обрабатывает записи до трёх часов, определяет спикеров, находит фрагменты, создаёт саммари с таймкодами и запоминает важные детали из диалогов для использования в будущих сессиях. По результатам тестов Arena Hard Audio модель победила в 75% случаев, уступая лишь Gemini-3-Flash-preview, а по точности распознавания эмоций превзошла конкурентов. Облегчённая версия GigaChat3.1-Audio-10B и мультиязычная модель распознавания речи GigaAM Multilingual выложены в открытый доступ для разработчиков. Модели уже доступны на GitVerse и Hugging Face, научные статьи о них приняты на конференцию Interspeech 2026. Это обновление стало продолжением развития GigaChat Ultra, который ранее получил долгосрочную память, веб-поиск и выполнение кода.
Читайте в Telegram
|
Сбер выпустил обновлённую модель GigaChat Audio — она обрабатывает аудиофайлы и голосовые сообщения без предварительного перевода речи в текст, сообщили «Коду Дурова» в пресс-службе компании.
Главное нововведение — распознавание эмоций: ГигаЧат теперь определяет по интонации, характеристикам голоса и нюансам произношения, обращается к нему пользователь с позитивным или негативным настроем, и подстраивает тон ответа.
Модель научилась работать с записями длиной до трёх часов — искать в них конкретные моменты, пересказывать отдельные отрезки, делать саммари со ссылками на таймкоды и различать голоса разных спикеров. В компании отмечают, что это пригодится для разбора совещаний, протоколирования звонков и навигации по длинным записям.
Ещё одна функция — память по итогам голосового диалога: GigaChat Audio запоминает важные факты, озвученные пользователем, и учитывает их в следующих сессиях, например при составлении маршрута путешествия. Зафиксированные данные можно посмотреть, отредактировать или отключить в настройках профиля.
По внутренним тестам Arena Hard Audio (сравнение ответов разных моделей на одни и те же голосовые вопросы), GigaChat Audio набрала 75% побед — близко к результату Gemini-3-Flash-preview (77,5%) и выше, чем у Gemini-2.5-Pro (62%). По точности распознавания эмоций модель показала 80% против 70% у Qwen3-Omni-30B и 62% у Kimi-Audio.
Помимо интеграции в ИИ-помощник, Сбер выложил в открытый доступ облегчённую версию GigaChat3.1-Audio-10B — на её основе можно делать сервисы транскрибации, голосовые переводчики и инструменты оценки качества озвучки.
Также в открытый доступ вышло семейство моделей распознавания речи GigaAM Multilingual — по данным компании, первая российская открытая мультиязычная модель, допускающая в 1,5–2 раза меньше ошибок, чем ближайшие аналоги. Она поддерживает русский, английский, киргизский, казахский и узбекский языки.
«Голос — самый естественный способ общения с технологией, но и самый требовательный: любая ошибка в распознавании или неверно считанная эмоция сразу разрушает доверие к ассистенту», — отметил старший вице-президент Сбербанка Антон Фролов.
Модель появилась в ИИ-помощнике ГигаЧат, а её облегчённая версия — в открытом доступе для разработчиков. Также обе модели уже доступны на GitVerse и Hugging Face, а научные статьи о них приняты на конференцию Interspeech 2026.
В марте 2026 года Сбер уже обновлял ИИ-помощника — тогда GigaChat Ultra получил долгосрочную память, научился искать информацию в интернете и исполнять код.
