Google dzieli swój nowy model transkrypcji na pół — a droższa połowa umie mniej

Google udostępnił powszechnie Gemini 3.5 Transcribe 26 sierpnia 2026 r. — swój pierwszy model zamiany mowy na tekst sprzedawany samodzielnie, a nie jako poboczna zdolność ogólnego modelu Gemini. Trafił na rynek jako dwa punkty dostępu, a różnica między nimi jest większa, niż sugeruje wspólna nazwa. Wersja plikowa, gemini-3.5-transcribe, przyjmuje nagrania do godziny, rozpoznaje język w obrębie pojedynczej wypowiedzi spośród ponad 85 języków, nadąża za mówcą zmieniającym język w środku zdania, rozdziela do ośmiu głosów i stawia znaczniki czasu przy poszczególnych słowach. Wersja strumieniowa, gemini-3.5-transcribe-live, działa przez WebSockety i zwraca wyniki wstępne przed ostatecznymi — ale nie potrafi rozpoznać mówców, nie potrafi oznaczyć czasem pojedynczych słów, a sesję utrzymuje przez dziesięć minut. Ceny układają się odwrotnie. Według uśrednionych szacunków samego Google'a uboższa wersja na żywo kosztuje około 0,009 dolara za minutę nagrania, bogatsza wersja plikowa około 0,005. W stawkach cennikowych to 3,50 dolara za milion tokenów wejścia dźwiękowego wobec 2,00 oraz 21,00 dolarów za milion tokenów tekstu na wyjściu wobec 12,00. Kupujący uboższy produkt płaci mniej więcej osiemdziesiąt procent więcej. Uzasadnienie da się obronić — utrzymywanie otwartego gniazda i oddawanie fragmentów tekstu w milisekundach to inne zadanie inżynierskie niż przemielenie zapisanego pliku — ale Google go nie podaje, a dokumentacja przedstawia tę asymetrię bez komentarza. Kto planuje usługę napisów na żywo, powinien wiedzieć jeszcze przed napisaniem pierwszej linijki kodu, że etykiet mówców w tej cenie po prostu nie ma. Warto wyjąć z tabel dwa dalsze przyznania, bo producenci rzadko takie drukują. Włączenie rozdzielania mówców albo znaczników czasu przy słowach skraca maksymalne nagranie z godziny do trzydziestu minut. A znaczniki na poziomie słów, jak pisze Google, pogarszają dokładność transkrypcji. Przypisywanie wypowiedzi powyżej trzech osób oznaczono jako eksperymentalne. Własny słownik przyjmuje do tysiąca haseł, ale producent zaznacza, że najlepsze wyniki daje zwykle nie więcej niż sto. Obie wersje mają darmowy próg i cennik mówi wprost, ile on kosztuje: na progu darmowym zapytania służą do ulepszania produktów Google, na płatnym już nie. Żadna z wersji nie obsługuje wywoływania funkcji, wykonywania kodu, pamięci podręcznej ani trybu rozumowania znanego z ogólnych modeli Gemini. Polski jest wśród obsługiwanych języków.