Gemini 3.5 Transcribe. Transkrypcja po polsku, cena za godzinę i limity

Czym jest Gemini 3.5 Transcribe

Gemini 3.5 Transcribe to wyspecjalizowany model rozpoznawania mowy, a nie ogólny model językowy z funkcją transkrypcji. Google przedstawił go 26 sierpnia 2026 roku na swoim blogu. Model ma dwie wersje: gemini-3.5-transcribe do przetwarzania gotowych plików i gemini-3.5-transcribe-live do napisów i dyktowania w czasie rzeczywistym.

Według Google model radzi sobie z autopoprawkami mówiącego, usuwa wtrącenia w rodzaju yyy i eee oraz formatuje tekst, na przykład liczby i adresy. Automatycznie rozpoznaje język i obsługuje przełączanie się między językami w trakcie wypowiedzi.

Najważniejsze funkcje i wyniki

Dokumentacja Gemini API wymienia funkcje, które przydają się przy protokołach ze spotkań, wywiadach i nagraniach z obsługi klienta. Google podaje też wyniki testów dokładności, liczone jako WER, czyli odsetek błędnie rozpoznanych słów.

• Rozpoznawanie mówców do 8 osób, przy czym przypisanie wypowiedzi przy 3 i więcej osobach jest eksperymentalne.
• Znaczniki czasu dla każdego słowa.
• Własny słownik do 1000 terminów, przydatny przy nazwach firm i żargonie branżowym.
• WER 2,6 proc. dla nagrań i 4,0 proc. na żywo według Artificial Analysis oraz 5,04 proc. i 5,50 proc. w teście FLEURS.
• Czas do uzyskania końcowej transkrypcji krótszy o 70 proc. niż w poprzednim modelu Chirp 3.

Ile kosztuje Gemini 3.5 Transcribe

Cennik Gemini API rozlicza model za tokeny, ale podaje też przybliżoną cenę za minutę. Wersja do plików kosztuje 2 USD za milion tokenów audio i 12 USD za milion tokenów tekstu, co Google szacuje łącznie na około 0,005 USD za minutę. Wersja na żywo kosztuje 3,50 USD i 21 USD, czyli około 0,009 USD za minutę. Oba modele mają bezpłatny poziom z limitami.

Przeliczenia według kursu NBP z 25 września 2026 roku (1 USD = 3,8404 zł), bez VAT.

• Godzina nagrania: ok. 0,30 USD, czyli ok. 1,15 zł.
• Godzina transkrypcji na żywo: ok. 0,54 USD, czyli ok. 2,07 zł.
• Scenariusz: firma szkoleniowa, która co miesiąc spisuje 40 godzin webinarów, zapłaci ok. 12 USD, czyli ok. 46,08 zł.
• 100 godzin rozmów z infolinii miesięcznie: ok. 30 USD, czyli ok. 115,21 zł.

Gdzie działa model

Deweloperzy mogą korzystać z modelu w Google AI Studio i w Gemini Enterprise Agent Platform. Wpis na blogu opisuje go jako publiczną wersję preview, natomiast strona modelu w dokumentacji nie zawiera już oznaczenia preview.

Google używa modelu we własnych produktach: w klawiaturze Gboard na Androidzie w funkcji Rambler, w aplikacji Gemini na macOS i w środowisku Google Antigravity. Obsługa w przeglądarce Chrome ma pojawić się później. Komunikat nie precyzuje, czy funkcje konsumenckie działają już w Polsce.

Ograniczenia i niewiadome

Część funkcji wzajemnie się wyklucza. Znaczniki czasu słów obniżają dokładność i nie działają z własnym słownikiem. Rozpoznawanie mówców również nie działa ze słownikiem, a wersja na żywo nie obsługuje ani znaczników czasu, ani rozpoznawania mówców.

Limity długości są wyraźne: do godziny nagrania w jednym zapytaniu, do 30 minut przy rozpoznawaniu mówców lub znacznikach czasu oraz 10 minut na jedną sesję na żywo. Dłuższe nagrania trzeba dzielić na części.

Wyniki dokładności pochodzą od Google i niezależnego serwisu Artificial Analysis, ale to wartości średnie dla wielu języków. Google nie publikuje osobnego wyniku dla polskiego.

Co Gemini 3.5 Transcribe oznacza dla firm w Polsce

Polski jest na liście obsługiwanych języków z kodem pl-PL, a Gemini API działa w Polsce. Warunki usługi mówią, że dla użytkowników z Europejskiego Obszaru Gospodarczego zasady wykorzystania danych z usług płatnych obowiązują także przy bezpłatnym limicie, więc Google nie używa takich nagrań do ulepszania produktów. Aplikacje udostępniane użytkownikom w EOG muszą korzystać z płatnych usług.

Nagrania rozmów zawierają dane osobowe, dlatego przed wdrożeniem trzeba uwzględnić je w procedurach ochrony danych i informowaniu rozmówców. W ocenie redakcji dailyAI przy cenie około 1,15 zł za godzinę koszt przestaje być barierą. O wyborze powinien zdecydować test na własnych nagraniach z polskimi nazwami, liczbami i dialektami.