Нейросеть Сбера научилась слышать эмоции: что умеет GigaChat Audio

В середине июля 2026 года в России появилась обновленная версия ИИ-помощника ГигаЧат, которая кардинально меняет способ взаимодействия человека с искусственным интеллектом. Теперь нейросеть способна воспринимать и обрабатывать голосовую речь без промежуточного перевода в текст, а главное — она научилась распознавать эмоциональную окраску голоса собеседника. Речь идет о большой языковой модели GigaChat Audio, которую разработчики из Сбера представили как новое слово в развитии генеративных нейросетей. Это решение позволяет ассистенту не просто слышать слова, но и понимать настроение человека, что делает общение с техникой более естественным и человечным.

По информации корреспондента Информационного агентства МАНГАЗЕЯ, ключевое нововведение заключается в том, что модель теперь обрабатывает аудиофайлы и голосовые сообщения в их исходном виде, без этапа распознавания и транскрибации. Такой подход позволяет сохранить все нюансы речи, включая интонацию, темп, громкость и другие акустические характеристики. Если пользователь обращается к ассистенту с раздражением в голосе, нейросеть это чувствует и старается отвечать более мягко и сдержанно. В случае, когда человек делится радостной новостью, ГигаЧат может поддержать эту эмоциональную волну, делая ответ более живым и позитивным. Технология анализирует не только слова, но и то, как именно они произнесены, что в корне отличает новый подход от классических голосовых ассистентов.

Старший вице-президент Сбербанка Антон Фролов, руководящий блоком развития генеративного искусственного интеллекта, подчеркнул, что голос является самым естественным, но при этом и самым требовательным способом общения с техникой. Он отметил, что любая ошибка в распознавании или неверно считанная эмоция мгновенно разрушает доверие к ассистенту, поэтому компания рассматривает аудионаправление как ключевую точку роста для всего рынка. По его словам, запуск этих моделей в открытый доступ предоставляет разработчикам и ученым мощный инструмент для создания самых разных приложений — от синхронного голосового перевода до специализированных сервисов для людей с нарушениями речи. Мультиязычность и возможность легкого обучения модели другим языкам, по мнению главы направления, открывают для российских разработок и международные перспективы.

GigaChat Audio обладает впечатляющими техническими характеристиками, которые делают ее полезной в самых разных жизненных и рабочих сценариях. Нейросеть способна обрабатывать записи длительностью до трех часов и эффективно ориентироваться внутри них. Пользователь может задать вопрос о том, в какой именно момент разговора обсуждался конкретный вопрос, или попросить пересказать отдельный отрезок длинной записи. В ответ нейросеть предоставит саммари всей записи с привязкой к таймкодам, а также сможет отличить одного говорящего от другого, что крайне востребовано при разборе деловых совещаний, телефонных переговоров и необходимости ведения протоколов.

Еще одной важной функцией обновленного помощника стала долговременная память на основе голосовых диалогов. ГигаЧат теперь способен запоминать важные факты, которые пользователь озвучивает в процессе общения, и использовать их в последующих сессиях. К примеру, если человек в разговоре упомянул свои предпочтения в путешествиях, при следующем обращении ассистент сможет предложить маршрут с учетом уже известных интересов. При этом пользователь получает полный контроль над этой функцией: в настройках профиля можно просмотреть все зафиксированные факты, отредактировать их или вовсе отключить сохранение личной информации.

По результатам внутренних испытаний, качество работы новой модели находится на уровне лучших мировых аналогов. В тесте Arena Hard Audio, где разные нейросети в «слепом» режиме сравнивают по их ответам на одни и те же голосовые запросы, GigaChat Audio показала результат в 75 процентов побед. Для сравнения, у модели Gemini-3-Flash-preview этот показатель составил 77,5 процента, а у Gemini-2.5-Pro — 62 процента. Что касается точности распознавания эмоций, модель Сбера достигает 80 процентов, что ощутимо выше, чем у Qwen3-Omni-30B с ее 70 процентами или у Kimi-Audio, показавшей 62 процента.

Новинка доступна не только в составе ИИ-помощника для массовых пользователей, но и в открытом исходном коде. Команда разработчиков опубликовала облегченную версию модели под названием GigaChat3.1-Audio-10B, которая распознает русский, английский и ряд других языков. На ее базе энтузиасты и профессиональные разработчики могут создавать сервисы для транскрибации, тренажеры произношения, инструменты для оценки качества озвучки, а также голосовые переводчики, понимающие контекст. Помимо этого, в открытый доступ выложили семейство моделей GigaAM Multilingual для автоматического распознавания речи, которое является первой российской открытой разработкой, работающей с несколькими языками сразу.

По заявлению создателей, GigaAM допускает в полтора-два раза меньше ошибок при распознавании, чем ближайшие конкуренты из числа открытых решений. На данный момент модель поддерживает русский, английский, киргизский, казахский и узбекский языки и предлагается в двух версиях — компактной для работы на обычных процессорах и флагманской, обеспечивающей повышенное качество. Эти инструменты подходят для использования в кол-центрах и голосовых ассистентах, для расшифровки встреч, интервью и подкастов, а также для голосового ввода в приложениях и создания автоматических субтитров. Обе модели предварительно обучены на большом количестве языков, что позволяет быстро дообучать их на новые языки, включая языки стран СНГ, с использованием всего нескольких десятков часов размеченных аудиозаписей. Разработки уже опубликованы на платформах GitVerse и Hugging Face, а научные статьи о новых технологиях приняты на ведущую международную конференцию по речевым технологиям Interspeech 2026.
к