12:52 Сегодня
ГигаЧат научился понимать эмоции и анализировать трехчасовые аудиозаписи
Новая ИИ-модель распознает интонацию, различает собеседников и помогает быстро находить нужные моменты в длинных записях
GigaChat Audio.
Пользователям ИИ-помощника ГигаЧат стала доступна обновленная модель GigaChat Audio. Она умеет работать с голосовыми сообщениями и аудиофайлами без предварительного перевода речи в текст, а также анализирует интонацию, особенности голоса и другие нюансы произношения.
Старший вице-президент Сбербанка, руководитель блока «Развитие генеративного ИИ» Антон Фролов отметил, что голос является самым естественным способом общения человека с технологиями, но при этом требует высокой точности работы искусственного интеллекта.
«Поэтому мы считаем аудио точкой роста для рынка ИИ-помощников», — подчеркнул Антон Фролов.
По его словам, публикация новых моделей в открытом доступе позволит разработчикам и исследователям создавать самые разные сервисы — от синхронного голосового перевода до решений для людей с нарушениями речи.
«Мультиязычность и возможность легкого обучения другим языкам открывает для них и международные перспективы», — добавил Антон Фролов.
Одной из новых функций ГигаЧата стало распознавание эмоций пользователя. Нейросеть определяет по интонации, характеристикам голоса и особенностям произношения, с каким настроением к ней обращается человек. Благодаря этому помощник может корректировать стиль ответа, чтобы общение было более естественным.
Кроме того, GigaChat Audio способна работать с аудиозаписями продолжительностью до трех часов. Пользователь может узнать, в какой части разговора обсуждалась конкретная тема, попросить пересказать отдельный фрагмент или получить краткое содержание всей записи с таймкодами. Модель также умеет различать нескольких спикеров, что может быть полезно при расшифровке совещаний, телефонных переговоров и других продолжительных разговоров.
Еще одно нововведение — возможность запоминать важные сведения, озвученные пользователем во время голосового общения. При следующих обращениях ИИ-помощник сможет учитывать эту информацию, например, при составлении маршрута путешествия с учетом ранее названных предпочтений. При этом пользователь в любой момент может просмотреть, изменить или удалить сохраненные данные, а также полностью отключить функцию памяти.
По данным внутренних испытаний, GigaChat Audio показала результаты, сопоставимые с ведущими зарубежными разработками. В тесте Arena Hard Audio модель Сбера одержала победу в 75 процентах сравнений. Для сравнения, показатель Gemini-3-Flash-preview составил 77,5 процента, а Gemini-2.5-Pro — 62 процента.
Точность распознавания эмоций у новой модели достигла 80 процентов. У Qwen3-Omni-30B этот показатель составил 70 процентов, а у Kimi-Audio — 62 процента.
Одновременно Сбер открыл разработчикам доступ к облегченной модели GigaChat3.1-Audio-10B. Она поддерживает русский, английский и другие языки и может использоваться для создания различных сервисов, включая:
— системы транскрибации речи
— тренажеры произношения
— инструменты оценки качества озвучки
— голосовые переводчики с учетом контекста
— сервисы для пересказа длинных аудиозаписей
Также в открытый доступ выложено семейство моделей автоматического распознавания речи GigaAM Multilingual. Разработка поддерживает русский, английский, киргизский, казахский и узбекский языки и, по данным Сбера, допускает в полтора-два раза меньше ошибок, чем ближайшие открытые аналоги.
GigaAM представлена в двух вариантах:
— компактная версия, рассчитанная на работу на обычных процессорах
— флагманская версия с более высокой точностью распознавания
Модель можно применять в работе кол-центров, голосовых ассистентов, для расшифровки встреч, интервью, подкастов, голосового ввода в приложениях и автоматического создания субтитров.
Обе модели прошли предварительное обучение на большом количестве языков. Благодаря этому их можно сравнительно быстро адаптировать для поддержки новых языков, в том числе распространенных в странах СНГ. Для дообучения потребуется лишь несколько десятков часов размеченных аудиозаписей.
Разработки уже доступны на платформах GitVerse и Hugging Face. Кроме того, научные статьи, посвященные новым моделям, приняты к публикации на международной конференции по речевым технологиям Interspeech 2026.
