Пользователи ИИ-помощника «ГигаЧат» получили доступ к обновлённой нейросети GigaChat Audio, которая представляет собой крупную языковую модель с возможностью обработки аудиофайлов и голосовых сообщений без предварительной конвертации речи в текст. ИИ теперь способен улавливать интонации пользователей и обладает расширенными возможностями обработки звуковой информации, передает ТАСС.
«Голосовое взаимодействие считается самым естественным средством общения с технологиями, но также и крайне требовательным: любые ошибки в распознавании или неверно интерпретированные эмоции могут подорвать доверие к ассистенту. В этом свете аудиотехнологии являются важным направлением для роста рынка ИИ-помощников. Предоставляя доступ к этим моделям, мы обеспечиваем мощный инструмент для разработчиков и исследователей. От синхронных переводов до сервисов для людей с речевыми нарушениями — возможности голосовых технологий безграничны. Мультиязычность и легкость адаптации к другим языкам открывают перед этими технологиями международные горизонты», — отметил Антон Фролов, старший вице-президент и руководитель блока «Развитие генеративного ИИ» Сбербанка.
Теперь «ГигаЧат» распознает эмотивную окраску обращения пользователя — через интонацию, характеристики голоса и произношение. Это позволяет ему более адекватно реагировать, отвечая более мягко раздраженному пользователю или поднимая настроение при хорошем сообщении.
Модель способна обрабатывать аудиозаписи длительностью до трёх часов и ориентироваться в них: пользователи могут запросить, когда обсуждался конкретный вопрос, пересказать отдельный фрагмент или получить сводку всей записи с таймкодами. Нейросеть также умеет различать спикеров в записи, что полезно при анализе совещаний, звонков и для протоколирования.
ИИ-помощник «ГигаЧат» теперь может запоминать значимые для пользователя факты из диалога и учитывать их в будущих взаимодействиях. Например, при составлении маршрута поездки он учтет предпочтения пользователя. Пользователь контролирует эту функцию: сохраненные факты можно просматривать, редактировать или отключать в настройках профиля.
Результаты тестирования новой модели GigaChat Audio показали, что она способна понимать и отвечать на голосовые запросы наравне с лучшими мировыми аналогами. Arena Hard Audio засвидетельствовал 75% побед — почти как у Gemini-3-Flash-preview (77,5%) и выше, чем у Gemini-2.5-Pro (62%). Модель Сбера достигла 80% точности в распознавании эмоций, превосходя Qwen3-Omni-30B (70%) и Kimi-Audio (62%).
Кроме интеграции ИИ-помощника, команда выпустила облегченную версию GigaChat3.1-Audio-10B в открытый доступ. Модель распознает русский, английский и другие языки, что позволяет создавать сервисы транскрибации, тренажеры произношения, инструменты оценки озвучки, голосовые переводчики и сервисы пересказа.
Сбер также изложил в открытый доступ GigaAM Multilingual — семейство моделей автоматического распознавания речи, первое открытое решение в России, продвинутое по качеству распознавания речи на русском языке. GigaAM ориентирована на использование в кол-центрах, голосовых ассистентах, при расшифровке встреч и подкастов, для голосового ввода и автосубтитров.
