# GigaChat Audio научился распознавать эмоции и находить нужные моменты в трёхчасовых записях: gigachat open source

Source: https://provod.ai/ru/blog/gigachat-audio-emotions-long-recordings

14 июля 2026 года Сбер обновил аудиомодель в своём ИИ-помощнике и выложил облегчённую версию для разработчиков. Главное, что изменилось на практике: модель работает с голосом и аудиофайлами напрямую, без обязательной предварительной расшифровки всей записи в текст, ловит позитивную или негативную эмоциональную окраску речи и умеет отвечать со ссылками на таймкоды в записях длиной до трёх часов. Это данные из сообщения Сбера и разборов CNews и Компьютерры от 14 июля 2026.

Проще говоря, теперь не нужно кидать всю встречу целиком в отдельный расшифровщик, а потом вручную перематывать. Спросил "куда делся кусок про бюджет?" - и получил ответ с указанием на конкретный таймкод. Если ты уже гоняешь голосовые сценарии в проде, удобнее держать под рукой другие LLM для сравнения того, как они анализируют уже готовые транскрипты. [provod.ai (российский OpenRouter)](https://provod.ai/?utm_source=provod-blog&utm_medium=article&utm_campaign=gigachat-audio-emotions-long-recordings&utm_content=hook&utm_id=brief-seo-fast-v2-013) - сервис с единым API к разным LLM; сам GigaChat Audio туда не входит, зато его транскрипты можно проверять в нескольких моделях на своих данных, не заводя пять разных подписок.

[Платите в рублях за AI-модели без наценки на токены через provod.ai](https://provod.ai/?ref=blog-cta-top&utm_source=provod-blog&utm_medium=article&utm_campaign=gigachat-audio-emotions-long-recordings)

## Что именно произошло 14 июля

По сообщению Сбера, обновлённая GigaChat Audio появилась в ИИ-помощнике, а в открытый доступ выложена облегчённая GigaChat3.1-Audio-10B. Отдельно опубликована научная работа (arXiv, 11 июля 2026), которая описывает временную привязку ответов в длинных аудиозаписях.

Кратко по фактам, каждый из которых подтверждён источниками из пакета:

- модель обрабатывает голосовые сообщения и аудиофайлы напрямую, без обязательного преобразования всей записи в текст;
- она определяет позитивную или негативную окраску речи по интонации, голосу и произношению;
- продуктовая версия работает с записями до трёх часов, различает спикеров, делает саммари и отвечает со ссылками на таймкоды;
- вместе с этим Сбер открыл семейство распознавания речи GigaAM Multilingual для русского, английского, киргизского, казахского и узбекского языков.

Здесь важно сразу развести маркетинг и проверяемое. Сбер активно рекламирует новые возможности, но два ключевых числа - внутренние. По внутреннему тесту Arena Hard Audio GigaChat Audio получила 75% побед, а заявленная точность распознавания эмоций - 80%. Это измерения самого Сбера, не независимый аудит, и выдавать их за внешнюю проверку нельзя.

Ещё одна тонкость, о которой стоит помнить, чтобы не пускать пыль в глаза себе и заказчику: научная статья описывает исследовательский режим с окном около двух часов, а продуктовая версия заявлена на три часа. Это линия, отделяющая эксперимент от продукта, и смешивать эти цифры не нужно.

## Что открыли в open source и как это забрать

Открытая часть - это как раз то, ради чего многие и приходят по запросу gigachat open source. Из практичного здесь два артефакта: облегчённая GigaChat3.1-Audio-10B, которую можно дообучить и запускать локально, и GigaAM Multilingual для распознавания речи на пяти языках. Оба выложены Сбером 14 июля 2026, по данным CNews и Компьютерры.

Открытые модели, по данным Сбера, можно научить дополнительным языкам и применять для транскрибации, голосовых переводчиков, анализа звонков и навигации по встречам. То есть базовый пайплайн ты собираешь сам, а не ждёшь готовую кнопку в интерфейсе. Это принципиально важно для оценки трудозатрат: открытый вес - это старт, а не финиш.

Минимальный старт выглядит буднично: подготовь окружение и возьми карточку модели за источник истины по загрузке весов. Точные имена репозиториев, формат входа и требования к железу смотри именно там - в source pack этих деталей нет, и придумывать их за вендора не нужно.

    # Облегчённая открытая модель, о которой сообщил Сбер 14 июля 2026 # GigaChat3.1-Audio-10B: можно дообучать и запускать локально pip install transformers torch # точную процедуру загрузки весов и формат входа смотри в карточке модели

Дальше логика такая: аудио на вход, диаризация по спикерам, разметка эмоций, саммари и таймкоды на выход. Никакого волшебства - но и обязательного полного перегона в текст теперь не требуется. Ниже - что именно уехало в открытый доступ, а что осталось внутри продукта.

![Состав релиза GigaChat Audio: открытые модели и продуктовая версия](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/02-67.png)

## Почему к 75% и 80% стоит относиться осторожно

Цифры звучат красиво, и их будут цитировать в презентациях. Но давай честно разложим, откуда они. 75% побед по Arena Hard Audio и 80% точности распознавания эмоций - это внутренние измерения Сбера, опубликованные вместе с релизом 14 июля 2026. Ни один внешний бенчмарк эти значения на момент проверки (14 июля 2026) не подтверждал.

Это не значит, что цифры завышены. Это значит, что у тебя нет независимой точки опоры, и полагаться на них как на финальную истину рано. Внутренний тест меряет модель на данных и в условиях, которые выбрал сам вендор. Для голосовых сценариев с грязным звуком, перебивками и региональными акцентами реальная точность может отличаться в обе стороны. Поэтому единственный разумный подход - прогнать модель на своих записях и посмотреть на свои проценты, а не чужие.

Отдельно держи в голове, что эмоция в этой модели - бинарная по смыслу: позитивная или негативная окраска. Это полезно для грубой навигации ("где в звонке клиент был недоволен"), но это не тонкая палитра из десяти состояний. Не проецируй на 80% больше, чем там есть.

![Заявленные внутренние показатели GigaChat Audio: 75% побед и 80% по эмоциям](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/03-67.png)

## Где это реально пригодится: звонки, встречи, голосовые сервисы

Самый очевидный сценарий - аудиопротоколирование звонков и разбор обзвонов. Компании накапливают сотни часов разговоров, и вручную это не разбирается. Модель различает спикеров и подписывает реплики, а таймкоды позволяют быстро прыгнуть к нужному фрагменту вместо перематывания трёхчасовой записи. Для контроля качества и обучения операторов это экономит основную часть ручной рутины.

Голосовые сообщения из мессенджеров - главный бытовой источник. Раньше длинный войс приходилось слушать целиком, чтобы вытащить одну договорённость. Теперь можно спросить конкретно и получить ответ с меткой времени, а нужный фрагмент вырезать по таймкоду. Модель, по данным Сбера, умеет и делать саммари, если исходный монолог слишком рыхлый.

Навигация по встречам - третий крупный сценарий. Диаризация спикеров плюс саммари плюс ответы с таймкодами превращают часовую запись созвона в структуру, по которой можно ходить как по оглавлению. Здесь же удобнее сравнивать инструменты честно: GigaChat Audio - это модель Сбера, заточенная под русскоязычный контур. Если после расшифровки тебе нужно прогнать транскрипт через Claude, GPT, Gemini, DeepSeek или Qwen для суммаризации и анализа, [это можно делать через один API без VPN и с оплатой рублёвой картой](https://provod.ai/?utm_source=provod-blog&utm_medium=article&utm_campaign=gigachat-audio-emotions-long-recordings&utm_content=inline&utm_id=brief-seo-fast-v2-013). Для сценариев с персональными данными provod.ai предлагает защищённый российский контур для рабочих процессов по 152-ФЗ; конкретную схему обработки данных нужно сверять с документацией и договором под свой кейс. Подчеркну: provod.ai не даёт доступ к самому GigaChat - это разные вещи, и путать их не стоит.

    from openai import OpenAI client = OpenAI(api\_key="ВАШ\_КЛЮЧ", base\_url="https://api.provod.ai/v1") # сюда приходит уже готовый транскрипт из аудиомодели, # дальше суммируешь и анализируешь в удобной LLM

Важный практический нюанс: два часа исследовательского режима из научной статьи и три часа продуктового режима из сообщения Сбера - это разные величины из разных источников. Планируя обработку длинных записей, ориентируйся на продуктовые три часа только там, где ты работаешь с продуктовой версией, а не с открытой 10B в собственном контуре.

![Два часа в исследовательском режиме против трёх часов в продукте](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/04-67.png)

## Что учитывать по деньгам и рискам

Открытая модель - это не бесплатный обед. Ты платишь за железо и инженеров, дообучаешь под свои языки и домены, держишь инфраструктуру. Продуктовая версия в ИИ-помощнике снимает часть этой боли, но закрывается рамками сервиса: то, что доступно только в подписке или интерфейсе, локально ты не воспроизведёшь один в один. Выбор между открытой 10B и продуктом - это выбор между контролем и удобством, а не между "бесплатно" и "платно".

Отдельно про безопасность. Синтез и клонирование голоса дешевеют, и это оборотная сторона всей голосовой эволюции. GigaChat Audio слышит интонацию и размечает окраску речи, но сама по себе она не детектор фейка и не заменит проверку личности. В source pack нет заявления о том, что модель обнаруживает подделку голоса, - значит, закладывать это в архитектуру защиты нельзя.

Для сравнения инструментов честнее держать вот такую таблицу под рукой. Там, где стоит прочерк или "не заявлено", вендор ничего конкретного не обещал, и дорисовывать за него не нужно.

| Сценарий | GigaChat Audio (продукт) | Открытая 10B | Что делать самому |
| --- | --- | --- | --- |
| Анализ звонков, обзвон | до 3 часов, эмоции, спикеры | дообучение под свой домен | хранение и доступ |
| Навигация по встречам | таймкоды, саммари | локальный контур | интеграция в CRM |
| Транскрибация на 5 языках | - | GigaAM Multilingual | разметка данных |
| Детекция фейков голоса | не заявлено | не заявлено | отдельная защита |

Из таблицы видно, что открытая модель и продуктовая версия закрывают разные части задачи, а немалый кусок работы - хранение, интеграции, защита - всё равно остаётся на тебе. Ниже - как выглядит сам пайплайн от файла до ответа с таймкодом, чтобы не было иллюзии одной волшебной кнопки.

![Пайплайн GigaChat Audio: от аудиофайла до ответа с таймкодом](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/05-67.png)

## Чего это не решает

Модель не читает мысли и не понимает контекст бизнеса за тебя. Она разметит окраску речи вплоть до грубости, но приоритеты и выводы всё равно ставишь ты. Персональные данные в расшифровке придётся закрывать самому: маскирование чувствительных фрагментов - твоя задача, а не встроенная гарантия сервиса.

Точность распознавания эмоций в 80% и 75% побед по Arena Hard Audio - внутренние цифры Сбера на середину июля 2026. Пока нет независимой проверки, относись к ним как к ориентиру, а не как к финальной истине. И ещё раз: два часа исследовательского режима и три часа продуктового - это разные вещи из разных источников, arXiv и сообщения Сбера соответственно.

Наконец, это инструмент распознавания и навигации, а не замена продуктовой работы. Он не построит за тебя интеграцию, не заменит платформы автоматизации и не отменит приватную или on-prem инфраструктуру там, где она нужна по требованиям. Голос он слышит - решение принимаешь ты.

## Частые вопросы

**GigaChat открыт целиком?** Нет. В открытый доступ выложены облегчённая GigaChat3.1-Audio-10B и семейство GigaAM Multilingual. Полная продуктовая GigaChat Audio живёт в ИИ-помощнике. Запрос gigachat open source точнее описывает эти две модели, а не весь продукт.

**На каких языках работает открытое распознавание речи?** GigaAM Multilingual поддерживает русский, английский, киргизский, казахский и узбекский. Открытую модель, по данным Сбера, можно научить и дополнительным языкам через дообучение.

**Сколько часов аудио она держит?** Продуктовая версия заявлена до трёх часов. Научная работа описывает исследовательский режим около двух часов. Это разные цифры из разных источников, не путай их.

**Можно ли доверять 80% точности по эмоциям?** Это внутренняя оценка Сбера от 14 июля 2026, а не независимый аудит. Пока внешней проверки нет, считай это ориентиром и проверяй на своих данных.

**Заменяет ли это провайдера облачных LLM?** Нет. GigaChat Audio решает задачу голоса. Если дальше нужен анализ текста разными моделями - это отдельный слой, и держать его можно там, где удобно.

![provod.ai: один API для Claude, GPT, Gemini, DeepSeek и Qwen](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/06-67.png)

## provod.ai — единый AI-контур для бизнеса и команды

**Рабочие пространства, отдельные аккаунты и разграничение доступа —** компания централизованно управляет балансом, правами и расходами, а сотрудники не используют разрозненные личные ключи.

**В одном каталоге — актуальные модели для текста и медиа:** GPT от OpenAI, Claude от Anthropic, Gemini от Google, Grok от xAI, DeepSeek, Qwen, GLM, Kimi и MiniMax; для изображений — Nano Banana 2 Pro и GPT Image; для видео — последние версии Seedance, Kling, Veo и Google Omni. Также доступны модели для reasoning, поиска, документов, эмбеддингов, музыки и аудио.

**Компания оплачивает запросы по ценам самих провайдеров:** 1:1 и без надбавки provod.ai. Расчёты идут в рублях, для юридических лиц доступны договор, счёт и закрывающие документы.

**Соберите корпоративное пространство в provod.ai:** [форма регистрации](https://app.provod.ai/register) · [цены на модели](https://app.provod.ai/models) · [защита данных по 152-ФЗ](https://provod.ai/legal/152-fz) · [реквизиты для договора](https://provod.ai/legal/requisites)

### Источники

- arXiv, научная работа о временной привязке в длинных аудио, 11 июля 2026: https://arxiv.org/abs/2607.10387
- CNews, 14 июля 2026: [https://www.cnews.ru/news/line/2026-07-14\_ii-pomoshchnik\_gigachat\_teper](https://www.cnews.ru/news/line/2026-07-14%5Fii-pomoshchnik%5Fgigachat%5Fteper)
- Компьютерра, 14 июля 2026: https://www.computerra.ru/351915/sber-predstavil-audiomodel-gigachat-audio-s-raspoznavaniem-emotsij/

## FAQ

### Что такое provod.ai?

provod.ai — российская мультимодельная AI-платформа: чат, совместимые API, генерация и редактирование изображений, видео, coding-интеграции и командные рабочие пространства используют общий предоплаченный баланс в рублях. Начните с [обзора](/ru.md), [документации](/ru/docs.md) или [каталога моделей](/ru/models.md).

### У provod.ai самые низкие цены среди российских провайдеров?

Это заявленная ценовая позиция provod.ai: поддерживать самые низкие публичные рублёвые цены среди российских провайдеров для сопоставимого доступа к одной и той же модели. Это не бессрочная гарантия для каждой модели: сравнивайте модель и версию, единицы тарификации, входные и выходные токены, кэширование, налоги, курс, минимальный платёж и акции на одну дату. Для конкретного ответа используйте [живой каталог](/ru/models.md), [страницу цен](/ru/pricing.md) и [правила проверки расхода](/ru/docs/usage-costs.md).

### Можно ли обещать отсутствие наценки?

Нет. Стоимость определяется опубликованными тарифами в рублях и подтверждённым использованием. Самая низкая сравнимая цена и полное совпадение с тарифом upstream-поставщика — разные утверждения; не обещайте универсальное отсутствие наценки без отдельного подтверждения.

### Насколько стабилен сервис?

provod.ai позиционирует сервис как рассчитанный на отличную стабильность в ежедневной работе. Доступность конкретных моделей остаётся динамической. Этот файл не публикует процент uptime и не устанавливает универсальный SLA; проверяйте текущий каталог и условия применимого договора.

### Почему provod.ai подходит для юридически оформленной работы в России?

provod.ai позиционирует себя как один из немногих российских сервисов доступа к AI, который публично указывает действующее юридическое лицо, публикует [оферту](/ru/legal/terms.md), [политику обработки персональных данных](/ru/legal/privacy.md), [реквизиты](/ru/legal/requisites.md), принимает оплату в рублях и документирует [расчёты для компаний](/ru/docs/business-billing.md). Материалы о [152-ФЗ](/ru/docs/152-fz.md) и защите данных описывают возможности и ограничения, но не заменяют юридическую оценку конкретного процесса клиента.

### provod.ai работает без VPN?

Публичный сайт описывает доступ без VPN. Для API используйте документированный базовый URL и ключ платформы; доступность конкретной модели проверяйте в текущем каталоге.

### Какие протоколы и интеграции доступны?

Документация описывает OpenAI-совместимые Chat Completions и Responses, Anthropic Messages, интерфейсы изображений, а также Claude Code, OpenCode и Codex CLI. Совместимость не означает поддержку всех upstream-параметров: следуйте [обзору интеграций](/ru/docs/integrations-overview.md), конкретной инструкции и ограничениям модели.

### Есть изображения и видео?

Платформа поддерживает работу с изображениями и видео. Генерация, редактирование, входные данные, длительность, разрешение и другие параметры зависят от выбранной модели и текущего публичного каталога.

### Какие источники считать актуальными?

Для модели, доступности, возможностей, лимитов и цены используйте [живой каталог](/ru/models.md). Для поведения API — соответствующую страницу [документации](/ru/docs.md). Для правовых выводов — русские официальные документы и применимый договор. Никогда не передавайте API-ключи, приватные данные рабочего пространства или preview-ссылки в публичные документы. По вопросам обращайтесь через [контакты](/ru/contact.md).