俄罗斯联邦储蓄银行（Sber）同时开源发布两款全新音频模型，供全球开发者使用和进一步开发。
GigaChat AI助手的用户现在可以使用升级后的神经网络模型 GigaChat Audio——一款能够处理音频文件的大型语言模型。该人工智能已学会理解用户的语调，并在音频信息处理方面获得了更强的能力。
AI助手变得更具同理心：它现在能够通过语调、声音特征和发音细节，理解用户表达的情绪——喜悦、烦躁、悲伤等。这使它能够做出更得体的回应：例如，对烦躁的用户回答得更温和，或者在用户分享好消息时配合其情绪。
该模型已能够处理长达两小时的录音，并可在其中进行导航定位：用户可以询问对话中某个具体问题是在哪一时刻讨论的，请求总结某一段落，或获取整段录音的摘要并附有时间戳链接。神经网络能够区分录音中的不同说话人。这一功能对于分析会议和通话、录音导航以及会议记录非常有用。
AI助手现在可以直接从语音对话中记住对用户重要的事实，并在后续对话中加以参考。当用户再次提问时，GigaChat会考虑之前表达过的偏好——例如，根据用户的兴趣规划旅行路线。用户对该功能拥有完全控制权：可以随时查看、编辑已记住的事实，或在个人资料设置中关闭记忆功能。
根据独立测试结果，新款 GigaChat Audio 模型在理解和回应语音查询方面的能力已达到全球最佳同类产品的水平。这一点在 Arena Hard Audio 测试中得到证实，该测试中专家以“盲测”方式比较不同模型对相同语音问题的回答。GigaChat Audio 32.4 获得了75%的胜率——几乎与 Gemini-3-Flash-preview（77.5%）相当，并超过了 Gemini-2.5-Pro（62%）。在情绪识别准确率方面，Sber的新模型达到了80%，高于 Qwen3-Omni-30B（70%）或 Kimi-Audio（62%）。
面向开发者的可用性
除了集成到AI助手中之外，团队还以开源形式发布了轻量版 GigaChat Audio。该神经网络原生支持俄语和英语的识别，并可训练用于其他语言，包括独联体国家语言。为此，只需收集数十小时带标注的高质量音频录音即可。基于该模型，可以构建转录服务、发音训练工具、配音质量评估工具、具备上下文理解的语音翻译器，以及长录音摘要服务。
Sber还以开源形式发布了 GigaAM——一套自动语音识别模型家族。这是俄罗斯第一款支持多语言的开源模型，也是在俄语语音识别质量方面最好的开源解决方案。据测量，GigaAM 的错误率比最接近的竞品低1.5到2倍。该模型支持俄语、亚美尼亚语、吉尔吉斯语、哈萨克语和乌兹别克语，并提供两个版本——可在普通处理器上运行的紧凑版，以及提供更高识别质量的旗舰版。GigaAM 适用于呼叫中心和语音助手、会议、采访和播客的转录、应用程序中的语音输入以及自动字幕——凡是用户使用多种语言的场景皆可应用。
这些模型现已可在 GitVerse 和 Hugging Face 上获取。关于新模型的科研论文已被语音技术领域顶级国际会议 Interspeech 2026 收录。
俄罗斯联邦储蓄银行高级副总裁兼生成式AI发展部负责人安东·弗罗洛夫（Anton Frolov）：
“语音是与技术交互最自然的方式，但也是最苛刻的方式：任何被忽略的情绪或误读的语调都会立即破坏用户对助手的信任。因此，我们认为音频是AI助手市场的增长点。通过将这些模型开源发布，我们为开发者和研究人员提供了强大的工具。我们希望这将催生出能够消除语言障碍、让信息对所有人都可及的服务——无论用户偏好以语音还是文字进行交互。从实时语音翻译到为言语障碍人群提供的服务，语音技术的应用范围比乍看起来要广泛得多。而多语言性以及易于训练其他语言的能力，也为它们打开了国际化的前景。”