GigaChat Audio научился распознавать эмоции и помнить контекст диалогов

Технология позволяет загружать записи длительностью до трех часов. Нейросеть самостоятельно структурирует контент: расставляет таймкоды, составляет краткие резюме и выделяет ключевые тезисы, различая при этом голоса разных спикеров. Такая функциональность избавляет от необходимости предварительной транскрибации, сохраняя контекст, который часто теряется при обычном переводе звука в текст.

В ходе тестирования Arena Hard Audio модель показала высокие результаты, добившись 75% побед в слепых сравнениях с зарубежными аналогами. По уровню точности GigaChat Audio вплотную приблизился к Gemini-3-Flash-preview, опередив при этом Gemini 2.5 Pro. Отдельно разработчики отмечают способность системы распознавать эмоции с точностью 80%, что существенно выше показателей конкурентных решений, таких как Qwen3-Omni-30B и Kimi-Audio.