GigaChat 现已经学会辨认情绪、区别措辞人，并能定位两小时灌音中的要害片断

发布时间：2026-07-16 来历：转载 责任编纂：Lily

【导读】GigaChat AI助手的用户此刻可使用进级后的神经收集模子 GigaChat Audio——一款可以或许处置惩罚音频文件的年夜型语言模子。该人工智能已经学会理解用户的语调，并于音频信息处置惩罚方面得到了更强的能力。

AI助手变患上更具同理心：它此刻可以或许经由过程语调、声音特性及发音细节，理解用户表达的情绪——喜悦、焦躁、哀痛等。这使它可以或许做出更患上体的回应：例如，对于焦躁的用户回覆患上更暖和，或者者于用户分享好动静时共同其情绪。

该模子已经可以或许处置惩罚长达两小时的灌音，并可于此中举行导航定位：用户可以扣问对于话中某个详细问题是于哪一时刻会商的，哀求总结某一段落，或者获取整段灌音的择要并附有时间戳链接。神经收集可以或许区别灌音中的差别措辞人。这一功效对于在阐发集会及通话、灌音导航以和集会记载很是有效。

AI助手此刻可以直接从语音对于话中记住对于用户主要的事实，并于后续对于话中加以参考。当用户再次发问时，GigaChat会思量以前表达过的偏好——例如，按照用户的兴致计划旅行线路。用户对于该功效拥有彻底节制权：可以随时查看、编纂已经记住的事实，或者于小我私家资料设置中封闭影象功效。

按照自力测试成果，新款 GigaChat Audio 模子于理解及回应语音查询方面的能力已经到达全世界最好同类产物的程度。这一点于 Arena Hard Audio 测试中获得证明，该测试中专家以“盲测”方式比力差别模子对于不异语音问题的回覆。GigaChat Audio 32.4 得到了75%的胜率——险些与 Gemini-3-Flash-preview（77.5%）相称，并跨越了 Gemini-2.5-Pro（62%）。于情绪辨认正确率方面，Sber的新模子到达了80%，高在 Qwen3-Omni-30B（70%）或者 Kimi-Audio（62%）。

面向开发者的可用性

除了了集成到AI助手中以外，团队还有以开源情势发布了轻量版 GigaChat Audio。该神经收集原生撑持俄语及英语的辨认，并可练习用在其他语言，包括独联体国度语言。为此，只需网络数十小时带标注的高质量音频灌音便可。基在该模子，可以构建转录办事、发音练习东西、配音质量评估东西、具有上下文理解的语音翻译器，以和长灌音择要办事。

Sber还有以开源情势发布了 GigaAM——一套主动语音辨认模子家族。这是俄罗斯第一款撑持多语言的开源模子，也是于俄语语音辨认质量方面最佳的开源解决方案。据丈量，GigaAM 的过错率比最靠近的竞品低1.5到2倍。该模子撑持俄语、亚美尼亚语、吉尔吉斯语、哈萨克语及乌兹别克语，并提供两个版本——可于平凡处置惩罚器上运行的紧凑版，以和提供更高辨认质量的旗舰版。GigaAM 合用在呼叫中央及语音助手、集会、采访及播客的转录、运用步伐中的语音输入以和主动字幕——通常用户利用多种语言的场景皆可运用。

这些模子现已经可于 GitVerse 及 Hugging Face 上获取。关在新模子的科研论文已经被语音技能范畴顶级国际集会 Interspeech 2026 收录。

俄罗斯联邦储蓄银行天生式AI成长部高级副总裁兼卖力人安东•弗罗洛夫（Anton Frolov）：

“语音是与技能交互最天然的方式，但也是最苛刻的方式：任何被纰漏的情绪或者误读的语调城市当即粉碎用户对于助手的信托。是以，咱们认为音频是AI助手市场的增加点。经由过程将这些模子开源发布，咱们为开发者及研究职员提供了强盛的东西。咱们但愿这将催生出可以或许消弭语言障碍、让信息对于所有人均可和的办事——不管用户偏好以语音还有是文字举行交互。从及时语音翻译到为言语障碍人群提供的办事，语音技能的运用规模比乍看起来要广泛患上多。而多语言性以和易在练习其他语言的能力，也为它们打开了国际化的远景。”