Чуть не подняла сервер ради 30-минутной аудиозаписи. Спасена сайтом Сбера

Короче, слушайте.

У меня была встреча, запись на 30 минут, mp3. И вместо того чтобы просто расшифровать это по-человечески, я включила режим "технический специалист": Whisper, свой сервер, распознавание эмоций, пайплайн, вот это всё. Потому что зачем делать просто, если можно сложно, да?

А потом я просто зашла в GigaChat. Без VPN. Без карты. Без единой строчки кода - вообще без кода, вы представляете. Закинула файл, он до 30 МБ принимает, мой как раз влез. Через пару минут - готовый транскрипт, саммари, протокол, список того, что стоит уточнить на следующей встрече. Чисто, без дыр в тексте.

Вот и я такая сижу и думаю: а зачем я вообще собиралась городить огород.

Но самое смешное дальше. Сбер всем рассказывает, что GigaChat теперь слышит эмоции прямо в голосе - не по словам угадывает, а реально слышит звук. Ну я не поверила, конечно, и решила проверить. Попросила модель честно указать: где вывод по голосу, а где по смыслу слов. Она бодро расставила галочки, всё такая уверенная. Тогда я докопалась до одного конкретного момента и спросила - а вот тут конкретно, какая была высота голоса, темп, дрожание?

И она такая: ну нет, вот это я на самом деле не слышала. Угадала по тексту.

Уважаю за честность. Не каждый в такое признается, что уж говорить про ИИ.

Мораль простая: прежде чем городить инфраструктуру - проверьте бесплатные готовые штуки. С расшифровкой и разбором текста GigaChat справился на отлично. А вот за настоящими эмоциями в голосе, похоже, придётся ещё побегать.