【導(dǎo)讀】GigaChat AI助手的用戶現(xiàn)在可以使用升級后的神經(jīng)網(wǎng)絡(luò)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(xué)會理解用戶的語調(diào)，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(xiàn)在能夠通過語調(diào)、聲音特征和發(fā)音細(xì)節(jié)，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(yīng)：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(dǎo)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(jié)某一段落，或獲取整段錄音的摘要并附有時間戳鏈接。神經(jīng)網(wǎng)絡(luò)能夠區(qū)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(dǎo)航以及會議記錄非常有用。
AI助手現(xiàn)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(xù)對話中加以參考。當(dāng)用戶再次提問時，GigaChat會考慮之前表達過的偏好——例如，根據(jù)用戶的興趣規(guī)劃旅行路線。用戶對該功能擁有完全控制權(quán)：可以隨時查看、編輯已記住的事實，或在個人資料設(shè)置中關(guān)閉記憶功能。
根據(jù)獨立測試結(jié)果，新款 GigaChat Audio 模型在理解和回應(yīng)語音查詢方面的能力已達到全球最佳同類產(chǎn)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(dāng)，并超過了 Gemini-2.5-Pro（62%）。在情緒識別準(zhǔn)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(fā)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(fā)布了輕量版 GigaChat Audio。該神經(jīng)網(wǎng)絡(luò)原生支持俄語和英語的識別，并可訓(xùn)練用于其他語言，包括獨聯(lián)體國家語言。為此，只需收集數(shù)十小時帶標(biāo)注的高質(zhì)量音頻錄音即可?；谠撃Ｐ?，可以構(gòu)建轉(zhuǎn)錄服務(wù)、發(fā)音訓(xùn)練工具、配音質(zhì)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(wù)。
Sber還以開源形式發(fā)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(zhì)量方面最好的開源解決方案。據(jù)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(zhì)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(zhuǎn)錄、應(yīng)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(yīng)用。
這些模型現(xiàn)已可在 GitVerse 和 Hugging Face 上獲取。關(guān)于新模型的科研論文已被語音技術(shù)領(lǐng)域頂級國際會議 Interspeech 2026 收錄。
俄羅斯聯(lián)邦儲蓄銀行生成式AI發(fā)展部高級副總裁兼負(fù)責(zé)人安東?弗羅洛夫（Anton Frolov）：
“語音是與技術(shù)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(diào)都會立即破壞用戶對助手的信任。因此，我們認(rèn)為音頻是AI助手市場的增長點。通過將這些模型開源發(fā)布，我們?yōu)殚_發(fā)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(wù)——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(wù)，語音技術(shù)的應(yīng)用范圍比乍看起來要廣泛得多。而多語言性以及易于訓(xùn)練其他語言的能力，也為它們打開了國際化的前景?！?/p>
