GigaChat Audio теперь распознает эмоции и анализирует длинные записи

Сбер представил обновленную модель GigaChat Audio. Она умеет работать с голосовыми сообщениями и аудиозаписями напрямую (без предварительного перевода речи в текстовый формат).

Модель анализирует не только сами слова, но и то, как человек говорит: интонацию, тембр голоса и особенности произношения. Благодаря этому GigaChat Audio может определять эмоциональную окраску речи.

Еще модель научилась обрабатывать записи продолжительностью до трех часов. Она умеет находить нужные фрагменты разговора, делать краткий пересказ с таймкодами, отвечать на вопросы по содержанию записи и различать голоса нескольких собеседников.

Также у GigaChat Audio появилась долговременная память. Модель может запоминать факты, которые озвучил пользователь, и учитывать их в следующих разговорах. При этом пользователь может управлять этой памятью: просматривать сохраненные данные, редактировать их или полностью отключить функцию в настройках.

По данным «Сбера», на внутренних тестах новая модель показала результаты не хуже ведущих зарубежных решений.

• В тесте Arena Hard Audio, где нейросети вслепую сравнивают ответы разных моделей на одни и те же голосовые вопросы, GigaChat Audio набрал 75%. Это близко к результату Gemini-3-Flash-preview с 77,5% и выше, чем у Gemini 2.5 Pro с 62%.
• С распознаванием эмоций модель тоже уверенно справилась: точность составила 80%. Для сравнения, у Qwen3-Omni-30B результат составил 70%, а у Kimi-Audio — 62%.