«Сбер» обновил GigaChat Audio — модель для голосовых сообщений и аудиофайлов. Теперь она разбирает звук напрямую, без промежуточной расшифровки в текст, и по интонации, тембру, манере речи пытается понять, в каком настроении говорит собеседник. Ещё сервис научился работать с длинными записями, вытаскивать из них нужные темы и помнить факты из прошлых голосовых диалогов.
По словам компании, GigaChat Audio переваривает файлы длиной до трёх часов и умеет различать, кто именно говорит в одной записи. Можно попросить её найти момент, где обсуждали конкретную тему, пересказать кусок разговора или собрать краткую выжимку всей беседы с таймкодами. Получается уже не просто голосовой ввод, а поиск по аудиоархиву без ручного прослушивания всего файла.
Отдельно «Сбер» упирает на память в голосовых сценариях. Ассистент может сохранять факты из прошлых диалогов и потом использовать их в новых запросах. Пример у компании бытовой: если пользователь раньше вслух рассказывал о своих интересах, «ГигаЧат» сможет опереться на это при планировании поездки. Сохранённые данные можно посмотреть, поправить или совсем отключить в настройках.
Во внутренних тестах «Сбера» точность распознавания эмоций дошла до 80%. В бенчмарке Arena Hard Audio модель набрала 75% побед. Это чуть ниже Gemini-3-Flash-preview с 77,5%, но выше Gemini-2.5 Pro с 62%, если брать цифры самой компании.
Рынок уже давно идёт в эту сторону. OpenAI добавила в ChatGPT голосовой режим с нативной работой со звуком, а Google в 2025 и 2026 годах активно продвигала аудиофункции Gemini для разговоров, заметок и встреч. На этом фоне ставка на прямую обработку аудио выглядит не разовой демонстрацией, а обычной частью гонки ассистентов: люди всё чаще надиктовывают запросы, а бизнесу нужны инструменты, которые умеют вынимать смысл из звонков, интервью и созвонов без отдельной транскрибации.
GigaChat Audio уже доступна внутри «ГигаЧата» и отдельно открыта для разработчиков. Если функция выйдет за пределы демо-сценариев, дальше конкуренция, похоже, сместится не к самой расшифровке речи, а к качеству памяти, работе с длинным контекстом и тому, насколько точно ассистенты считывают интонацию, не путая усталость с раздражением.