【導讀】GigaChat AI助手的用戶現在可以使用升級后的神經網絡模型 GigaChat Audio——一款能夠處理音頻文件的大型語言模型。該人工智能已學會理解用戶的語調，并在音頻信息處理方面獲得了更強的能力。
AI助手變得更具同理心：它現在能夠通過語調、聲音特征和發音細節，理解用戶表達的情緒——喜悅、煩躁、悲傷等。這使它能夠做出更得體的回應：例如，對煩躁的用戶回答得更溫和，或者在用戶分享好消息時配合其情緒。
該模型已能夠處理長達兩小時的錄音，并可在其中進行導航定位：用戶可以詢問對話中某個具體問題是在哪一時刻討論的，請求總結某一段落，或獲取整段錄音的摘要并附有時間戳鏈接。神經網絡能夠區分錄音中的不同說話人。這一功能對于分析會議和通話、錄音導航以及會議記錄非常有用。
AI助手現在可以直接從語音對話中記住對用戶重要的事實，并在后續對話中加以參考。當用戶再次提問時，GigaChat會考慮之前表達過的偏好——例如，根據用戶的興趣規劃旅行路線。用戶對該功能擁有完全控制權：可以隨時查看、編輯已記住的事實，或在個人資料設置中關閉記憶功能。
根據獨立測試結果，新款 GigaChat Audio 模型在理解和回應語音查詢方面的能力已達到全球最佳同類產品的水平。這一點在 Arena Hard Audio 測試中得到證實，該測試中專家以“盲測”方式比較不同模型對相同語音問題的回答。GigaChat Audio 32.4 獲得了75%的勝率——幾乎與 Gemini-3-Flash-preview（77.5%）相當，并超過了 Gemini-2.5-Pro（62%）。在情緒識別準確率方面，Sber的新模型達到了80%，高于 Qwen3-Omni-30B（70%）或 Kimi-Audio（62%）。
面向開發者的可用性
除了集成到AI助手中之外，團隊還以開源形式發布了輕量版 GigaChat Audio。該神經網絡原生支持俄語和英語的識別，并可訓練用于其他語言，包括獨聯體國家語言。為此，只需收集數十小時帶標注的高質量音頻錄音即可。基于該模型，可以構建轉錄服務、發音訓練工具、配音質量評估工具、具備上下文理解的語音翻譯器，以及長錄音摘要服務。
Sber還以開源形式發布了 GigaAM——一套自動語音識別模型家族。這是俄羅斯第一款支持多語言的開源模型，也是在俄語語音識別質量方面最好的開源解決方案。據測量，GigaAM 的錯誤率比最接近的競品低1.5到2倍。該模型支持俄語、亞美尼亞語、吉爾吉斯語、哈薩克語和烏茲別克語，并提供兩個版本——可在普通處理器上運行的緊湊版，以及提供更高識別質量的旗艦版。GigaAM 適用于呼叫中心和語音助手、會議、采訪和播客的轉錄、應用程序中的語音輸入以及自動字幕——凡是用戶使用多種語言的場景皆可應用。
這些模型現已可在 GitVerse 和 Hugging Face 上獲取。關于新模型的科研論文已被語音技術領域頂級國際會議 Interspeech 2026 收錄。
俄羅斯聯邦儲蓄銀行生成式AI發展部高級副總裁兼負責人安東?弗羅洛夫（Anton Frolov）：
“語音是與技術交互最自然的方式，但也是最苛刻的方式：任何被忽略的情緒或誤讀的語調都會立即破壞用戶對助手的信任。因此，我們認為音頻是AI助手市場的增長點。通過將這些模型開源發布，我們為開發者和研究人員提供了強大的工具。我們希望這將催生出能夠消除語言障礙、讓信息對所有人都可及的服務——無論用戶偏好以語音還是文字進行交互。從實時語音翻譯到為言語障礙人群提供的服務，語音技術的應用范圍比乍看起來要廣泛得多。而多語言性以及易于訓練其他語言的能力，也為它們打開了國際化的前景。”
