Новая российская модель GigaChat Audio распознаёт эмоции по голосу, запоминает разговоры и анализирует трехчасовые записи

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

Сбер представил обновленную модель GigaChat Audio, которая умеет работать с аудиозаписями и голосовыми сообщениями напрямую, без предварительного преобразования речи в текст. Нейросеть анализирует интонацию, тембр голоса и особенности произношения, определяя эмоциональную окраску речи пользователя.

Модель поддерживает обработку аудиозаписей продолжительностью до трех часов. Она может находить нужные фрагменты разговора, создавать краткие пересказы с таймкодами, отвечать на вопросы по содержанию записи и различать нескольких спикеров.

Изображение GrokЕще одной новой функцией стала долговременная память. GigaChat Audio способен запоминать факты, озвученные пользователем в голосовом диалоге, и использовать их в следующих беседах. При этом пользователь может просматривать, редактировать или полностью отключить сохраненную информацию в настройках.

По данным Сбера, во внутренних испытаниях новая модель показала результаты, сопоставимые с ведущими зарубежными решениями. В тесте Arena Hard Audio, где другие нейросети вслепую сравнивают ответы разных моделей на одни и те же голосовые вопросы, GigaChat Audio набрал 75% побед, приблизившись к Gemini-3-Flash-preview (77,5%) и опередив Gemini 2.5 Pro (62%). Точность распознавания эмоций составила 80%, что выше показателей Qwen3-Omni-30B (70%) и Kimi-Audio (62%).