GigaChat Audio: новая российская модель с функцией распознавания эмоций и анализа длинных аудиозаписей

Сбер презентовал модернизированную версию GigaChat Audio, ключевой особенностью которой стала способность обрабатывать аудиоданные напрямую, минуя этап транскрибации — перевода речи в текст. Нейросеть глубоко анализирует акустические нюансы: интонации, тембральные характеристики и специфику произношения, что позволяет ей безошибочно считывать эмоциональный фон говорящего.

Функционал модели позволяет работать с записями длительностью до трех часов. Инструмент эффективно справляется с поиском ключевых моментов в аудиопотоке, формирует сжатые резюме с расстановкой таймкодов, оперативно отвечает на уточняющие вопросы по контексту и мастерски разделяет голоса разных участников дискуссии.

Важным нововведением стала система «долговременной памяти». Теперь GigaChat Audio фиксирует важные сведения, упомянутые в ходе голосового общения, и успешно интегрирует их в последующие сессии. При этом пользователь сохраняет полный контроль над данными: настройки позволяют просматривать историю, корректировать её или вовсе деактивировать функцию накопления информации.

Согласно внутренним отчетам Сбера, модель демонстрирует производительность на уровне глобальных аналогов. В независимом тестировании Arena Hard Audio, где оценивается качество ответов нейросетей на одинаковые голосовые запросы, решение показало высокий винрейт в 75%, практически догнав Gemini-3-Flash-preview (77,5%) и оставив позади Gemini 2.5 Pro (62%). Кроме того, эффективность распознавания эмоций достигла 80%, что существенно выше показателей Qwen3-Omni-30B (70%) и Kimi-Audio (62%).

Источник: iXBT