GigaChat Audio 10B 发布：原生音频大模型，支持时序定位

Sber 团队近日在 Hugging Face 上发布了 GigaChat Audio 10B，这是一款原生支持音频输入的大语言模型，文本底层基于 GigaChat 3.1 Lightning。模型以 Conformer 语音编码器配合模态适配器，将音频 embedding 直接送入混合专家（MoE）解码器，在保留原文本模型能力的同时扩展了对语音的理解。模型总参数 100 亿，激活参数约 18 亿。

架构与设计

GigaChat Audio 10B 采用三段式架构：

• Conformer 语音编码器，负责将原始音频转换为高层语义表示；
• 模态适配器（modality adapter），将语音特征映射到与文本 token 同一空间；
• MoE 解码器，承接 GigaChat 3.1 Lightning 的文本能力并融入音频信号。

这种「音频 embedding 直接进入 LLM 解码器」的设计，使得模型在接收语音的同时仍可执行纯文本推理与工具调用，无需外挂 ASR 模块。

核心能力

模型面向四类任务：

• 音频问答与音频分类；
• 时序定位（temporal grounding）：可在长音频中定位事件起止时间，并输出带时间戳的事件描述与摘要；
• 工具调用（tool-use）；
• 纯文本任务，能力与底座 GigaChat 3.1 Lightning 相当。

其中时序定位是本次发布的重点功能，相关训练数据为团队专为该任务构建的 TimeGround-1M 数据集，包含长音频与时间对齐的标注。

数据集与可复现资源

TimeGround-1M 已开源至 Hugging Face Datasets，覆盖长音频及其对应的时间戳级标注，用于训练和评估模型的时序理解能力。

已公开的资源包括：

• arXiv 论文：https://arxiv.org/abs/2607.10387
• 论文 PDF：https://arxiv.org/pdf/2607.10387.pdf
• TimeGround-1M 数据集：https://huggingface.co/datasets/ai-sage/TimeGround-1M
• 交互演示：https://huggingface.co/spaces/hugging-apps/gigachat-audio-10b-a1-8b-demo

行业意义

GigaChat Audio 10B 体现了将语音模态深度嵌入 LLM 主干网络的趋势，即「音频原生」而非「语音转文本后再问答」的范式。结合专门的时序定位数据集，模型在长音频事件理解场景（例如会议回顾、播客检索、监控分析）具备落地潜力。不过目前公开信息尚未提供详细的 benchmark 横向对比数据，社区可借助上述 Demo 与论文进一步评估其相对优势。