Команда GigaChat выпустила аудио-модели и датасет в открытый доступ

Модели для распознавания и анализа речи — в открытом доступе Команда GigaChat выложила две модели и датасет: — GigaChat3.1-Audio-10B-A1.8B - audio-native LLM — GigaAM-Multilingual - мультиязычный ASR — TimeGround-1M - датасет для привязки событий ко времени в длинном аудио GigaChat Audio работает со звуком напрямую, без промежуточной расшифровки в текст. Ведёт диалог по записи, распознаёт речь, переводит, классифицирует и собирает выжимку с таймкодами. Держит до двух часов аудио — то есть созвон или лекцию целиком, без нарезки на куски. Загрузил запись — получил резюме и таймкоды, чтобы перемотать к нужному месту. Сильная сторона как раз в этом: модель понимает не только что сказали, но и когда. GigaAM-Multilingual — распознавание речи на русском, английском, казахском, киргизском и узбекском. Энкодер предобучен на 2 млн часов и 70+ языках, так что под новый язык или домен дообучается на скромных данных: грузинский и башкирский подняли с одного Common Voice до WER ~4%. TimeGround-1M — это данные, а не веса. Веса сейчас открывают многие, датасеты — заметно реже, а здесь можно учить собственные модели привязывать события ко времени. Что можно собрать уже сейчас: — ассистент по встречам и лекциям — поиск по аудиозаписям — выжимки с таймкодами — ASR для ботов и приложений — дообучение под свой язык и домен У Audio-модели 10B параметров, активных — 1,8B, так что поднять её реально на своём железе. Обе статьи приняли на Interspeech 2026. Hugging Face: — https://huggingface.co/ai-sage/GigaChat3.1-Audio-10B-A1.8B — https://huggingface.co/ai-sage/GigaAM-Multilingual — https://huggingface.co/datasets/ai-sage/TimeGround-1M С удовольствием посмотрел статьи команды: https://arxiv.org/abs/2607.10387 https://arxiv.org/abs/2607.10371