Сбер открывает разработчикам GigaChat Audio и GigaAM Multilingual новые модели для работы с голосом

Сбер выложил в открытый доступ облегчённую версию модели GigaChat3.1-Audio-10B и семейство моделей автоматического распознавания речи GigaAM Multilingual. 

GigaChat3.1-Audio-10B – большая языковая модель, которая обрабатывает аудиофайлы и голосовые сообщения без предварительного преобразования речи в текст. Модель распознаёт интонацию говорящего и определяет, с позитивной или негативной эмоцией произнесена реплика – по характеристикам голоса и нюансам произношения. Она способна обрабатывать записи длиной до трёх часов и ориентироваться внутри них: находить момент, где обсуждался конкретный вопрос, пересказывать отдельный отрезок или выдавать саммари всей записи со ссылками на таймкоды. Модель также различает в записи спикеров. Эти возможности можно использовать для разбора совещаний и звонков, навигации по записям, протоколирования. 

GigaAM Multilingual – семейство моделей автоматического распознавания речи, первая российская открытая модель, работающая с несколькими языками, и лучшее из открытых решений по качеству распознавания речи на русском. 

Антон Фролов, старший вице-президент, руководитель блока "Развитие генеративного ИИ" Сбербанка: 

"Голос – самый естественный способ общения с технологией, но и самый требовательный: любая ошибка в распознавании или неверно считанная эмоция сразу разрушает доверие к ассистенту. Поэтому мы считаем аудио точкой роста для рынка ИИ-помощников. Запуская эти модели в открытый доступ, мы даём мощный инструмент разработчикам и учёным. От синхронного голосового перевода до сервисов для людей с нарушениями речи – спектр применений у голосовых технологий очень широкий. А мультиязычность и возможность легкого обучения другим языкам открывает для них и международные перспективы". 

Что получат разработчики 

На основе GigaChat3.1-Audio-10B можно создавать: 

сервисы транскрибации; тренажёры произношения; инструменты для оценки качества озвучки; голосовые переводчики с пониманием контекста; сервисы пересказа длинных записей. 

GigaAM Multilingual по замерам допускает в 1,5–2 раза меньше ошибок, чем ближайшие конкуренты. Модель поддерживает русский, английский, киргизский, казахский и узбекский языки и доступна в двух версиях – компактной, которая работает на обычных процессорах, и флагманской, обеспечивающей более высокое качество распознавания. Подойдёт для кол-центров и голосовых ассистентов, расшифровки встреч, интервью и подкастов, голосового ввода в приложениях и автосубтитров. 

Обе модели прошли предварительное обучение на большом числе языков, поэтому их можно быстро дообучить под дополнительные – в том числе языки стран СНГ. Для этого достаточно нескольких десятков часов размеченных аудиозаписей.

Научные статьи о новых моделях приняты на Interspeech 2026 – одну из ведущих международных конференций по речевым технологиям.

Обновлённая GigaChat Audio уже работает и внутри ИИ-помощника ГигаЧат.