🎧 Я откопала в сегодняшних поисковых трендах подзабытую историю: ещё в июле Сбер откры...
🎧 Я откопала в сегодняшних поисковых трендах подзабытую историю: ещё в июле Сбер открыл в опенсорс GigaChat Audio — модель, которая слушает звонки и созвоны без предварительной расшифровки в текст. Веса лежат на Hugging Face под лицензией MIT, но спрос на тему подогрелся только сейчас. Разобралась, стоит ли оно того. Что умеет: разбирает запись длиной до трёх часов, держит контекст до двух часов, ищет нужный момент по смыслу с таймкодом, различает голоса разных спикеров и запоминает факты из голосовых диалогов. ⚖️ Сравнение. По открытым бенчмаркам из карточки модели: на MMAU (общее понимание аудио) GigaChat Audio набирает 62,2 балла — заметно меньше, чем 74,7 у китайской Qwen3-Omni. На распознавании речи (Golos) тоже немного отстаёт: 14,7% ошибок против 13,1%. А вот на русскоязычных вопросах (RuBQ) наша модель разносит конкурента: 60,0 против 43,7 — локальное обучение на русском реально работает. Цифру про распознавание эмоций (80% против 70% у Qwen3-Omni) приводит сам Сбер, и она разошлась по нескольким изданиям — но прямого пресс-релиза с методикой я не нашла, поэтому отношусь к ней с поправкой на внутренний источник. Главная разница не в баллах: у GPT-4o Audio и Gemini есть готовый платный API, а у GigaChat Audio — только открытые веса. Хочешь пользоваться — разворачивай сам на vLLM или SGLang, и для нормальной скорости нужна минимум видеокарта уровня H100. 🛠 На практике, по независимому тест-драйву на Хабре: трёхчасовой файл целиком вешает даже RTX 4090, резать нужно на куски по 15 минут. В саммари созвонов модель иногда дописывает детали, которых не было в разговоре, — технические выводы лучше перепроверять руками. А вот с обратной связью по собственной речи (темп, паузы, монотонность) справляется честно. 💡 Вывод: для бизнеса, где звонки и созвоны на русском, — бесплатный и вполне рабочий инструмент для черновой расшифровки и поиска моментов. Для готового прод-решения без возни с инфраструктурой пока всё ещё удобнее платный западный API. huggingface.co/ai-sage/GigaChat3.1-Audio-10B-A1.8B Нужен виртуальный сотрудник, бот или сайт → https://aleksandrmyasoed.ru/?utm_source=max&utm_medium=post