В ИИ-помощнике «ГигаЧат» появилась обновлённая модель GigaChat Audio, которая обрабатывает аудио напрямую, без предварительного перевода речи в текст. Это значит, что нейросеть теперь слышит не только слова, но и то, как они произнесены: интонацию, тембр, нюансы произношения. На основе этого модель оценивает эмоциональную окраску обращения — позитивную или негативную — и подстраивает ответ. Раздражённому пользователю отвечает мягче, воодушевлённому — поддерживает тон. Модель способна обрабатывать записи длительностью до трёх часов и ориентироваться внутри них. Можно спросить, в какой момент обсуждалась конкретная тема, и получить ответ с таймкодом, или попросить краткий пересказ отдельного фрагмента либо всей записи целиком. Нейросеть также различает спикеров, что удобно для расшифровки совещаний, звонков и интервью. «ГигаЧат» теперь запоминает важные факты прямо из голосового диалога и учитывает их в следующих сессиях. Например, если пользователь рассказал о своих интересах, при повторном обращении помощник составит маршрут путешествия уже с их учётом. Все сохранённые данные можно посмотреть, отредактировать или удалить, а саму функцию — отключить в настройках профиля.
Одновременно «Сбер» выложил в открытый доступ две модели. Первая — облегчённая GigaChat3.1-Audio-10B, которая распознаёт русский, английский и другие языки. На её основе можно создавать сервисы транскрибации, тренажёры произношения, голосовые переводчики с пониманием контекста и инструменты для саммарирования длинных записей. Вторая — GigaAM Multilingual, семейство моделей автоматического распознавания речи. Это первая российская открытая модель, работающая с несколькими языками, включая русский, английский, киргизский, казахский и узбекский. Она доступна в компактной версии для обычных процессоров и во флагманской, дающей более высокое качество распознавания. Обе модели прошли предварительное обучение на большом числе языков, поэтому их можно быстро дообучить под дополнительные — в том числе языки стран СНГ, — имея несколько десятков часов размеченных аудиозаписей. Модели уже доступны на GitVerse и Hugging Face. Научные статьи о них приняты на конференцию по речевым технологиям Interspeech 2026.
Источник: mobile-review.com