Российский GigaChat Audio: эмоции по голосу и анализ трехчасовых записей

Обновленный GigaChat Audio различает собеседников и отвечает без предварительного перевода речи в текст

Искусственный интеллект007:31

Сбер представил новую версию GigaChat Audio, которая может обрабатывать аудиозаписи и голосовые сообщения непосредственно, без необходимости преобразования речи в текст. Нейросеть анализирует интонацию, тембр голоса и особенности произношения, выявляя эмоциональную окраску речевых высказываний пользователя.

Модель поддерживает обработку аудиофайлов длительностью до трех часов. Она может находить необходимые сегменты разговора, составлять краткие пересказы с таймкодами, отвечать на вопросы по содержанию записи и различать нескольких говорящих.

Еще одной новой функцией является долговременная память. GigaChat Audio способен запоминать факты, озвученные пользователем в голосовом диалоге, и использовать их в будущих беседах. При этом пользователь имеет возможность просматривать, редактировать или полностью отключить сохраненные данные в настройках.

Согласно информации от Сбера, в ходе внутренних испытаний новая модель продемонстрировала результаты, сопоставимые с ведущими зарубежными решениями. В тесте Arena Hard Audio, где другие нейросети вслепую сравнивают ответы различных моделей на одни и те же голосовые запросы, GigaChat Audio одержал 75% побед, приблизившись к Gemini-3-Flash-preview (77,5%) и обогнав Gemini 2.5 Pro (62%). Точность распознавания эмоций составила 80%, что превышает показатели Qwen3-Omni-30B (70%) и Kimi-Audio (62%).

JinИсточники:ТАССИскусственный интеллект007:31