GigaChat Audio научился помнить разговоры и разбирать 3 часа записи без расшифровки

Сбер обновил GigaChat Audio и сделал ставку на голос без промежуточной расшифровки в текст. Модель умеет разбирать длинные записи, различать нескольких собеседников, ловить эмоции по интонации и хранить факты из прошлых диалогов. На практике это уже ассистент, который действительно слушает, а не обычное распознавание речи.

Теперь GigaChat Audio работает с голосом напрямую, без обязательного шага speech-to-text. Нейросеть смотрит на интонацию, тембр и манеру произношения, поэтому может оценивать эмоциональную окраску речи. Сбер пишет, что модель переваривает записи длиной до трех часов, находит нужные куски беседы, делает короткие пересказы с таймкодами и отвечает на вопросы по содержанию.

Есть и долговременная память. Ассистент запоминает сведения, которые пользователь сообщил голосом, и потом учитывает их в следующих разговорах. Сохраненные данные можно посмотреть, отредактировать или совсем отключить в настройках. Для сервиса, который собирается жить в ежедневном использовании, это уже не приятное дополнение, а почти обязательная вещь.

По данным Сбера, во внутреннем тесте Arena Hard Audio модель получила 75% побед в слепом сравнении ответов на голосовые запросы. Для ориентира компания приводит Gemini-3-Flash-preview с 77,5% и Gemini 2.5 Pro с 62%. В задаче распознавания эмоций GigaChat Audio набрал 80%, опередив Qwen3-Omni-30B с 70% и Kimi-Audio с 62%.

Рынок тут уже давно занят. OpenAI перевела ChatGPT на голосовой режим нового поколения еще с выходом GPT-4o, а Google продвигает Gemini Live как интерфейс для разговоров с ИИ в реальном времени. Сбер идет в ту же нишу, только на русском языке, и добавляет сценарии для длинных записей: созвоны, интервью, лекции, голосовые заметки. Если в реальных разговорах качество не просядет относительно тестов, у российских компаний и пользователей появится редкий для локального рынка инструмент, который умеет не только слушать, но и помнить.