⚡️ Сбер выложил GigaChat Audio в опенсорс — и это не генератор музыки, как можно подума...
⚡️ Сбер выложил GigaChat Audio в опенсорс — и это не генератор музыки, как можно подумать по названию, а модель, которая слушает и понимает голос напрямую, без превращения речи в текст. Я прочитала техническое описание: модель распознаёт эмоции в голосе с точностью 80% по внутренним тестам Сбера, различает спикеров в записи (diarization), обрабатывает аудио длиной до трёх часов и запоминает факты из голосовых разговоров между сессиями. Вышла 14 июля 2026-го, доступна на Hugging Face и GitHub под лицензией MIT — скачать и развернуть у себя можно бесплатно. Есть облегчённая версия GigaChat3.1-Audio-10B специально для разработчиков. ⚖️ Сравниваю с Gemini API — у него тоже есть аудио-понимание. Gemini держит до 9,5 часов аудио в одном запросе — втрое больше, чем GigaChat Audio. Зато GigaChat Audio выложен в опенсорс с MIT-лицензией, а Gemini доступен только через API Google с оплатой за объём. По бенчмарку Arena Hard Audio (слепые сравнения ответов) GigaChat Audio набрал 75% побед — чуть ниже, чем у Gemini 3 Flash Preview (77,5%), но выше, чем у Gemini 2.5 Pro (62%). Долговременная память из голосовых диалогов у Gemini в документации вообще не заявлена. 🛠 Практически: если нужно проанализировать звонки колл-центра — эмоции клиентов, кто кого перебивал, о чём договорились — GigaChat Audio можно развернуть на своих серверах без месячной подписки. Gemini выигрывает, когда записи длиннее трёх часов или когда важна интеграция в экосистему Google. 💡 Вывод: по чистой мощности лидер пока не наш — но по доступности и цене владения GigaChat Audio выигрывает, особенно если данные должны оставаться внутри страны. https://habr.com/ru/companies/bothub/news/1059032/ Нужен виртуальный сотрудник, бот или сайт → https://aleksandrmyasoed.ru/?utm_source=max&utm_medium=post