Google udostępnił Gemini 3.5 Transcribe, nowy model zamiany mowy na tekst, który trafia jednocześnie do API dla programistów, do klawiatury Gboard i do aplikacji Gemini na macOS. Firma podaje średni współczynnik błędu na poziomie 2,6 procent dla nagrań i 4,0 procent dla transmisji na żywo.
Kluczowe fakty:
- Google udostępnił model Gemini 3.5 Transcribe w dwóch wariantach: jeden do transkrypcji na żywo z opóźnieniem poniżej sekundy, drugi do przetwarzania gotowych nagrań z przypisaniem wypowiedzi do mówców i znacznikami czasu na poziomie słów.
- Firma podaje średni współczynnik błędu na poziomie 2,6% dla nagrań i 4,0% dla transmisji na żywo, jednak na wielojęzycznym zestawie testowym FLEURS wyniki są wyraźnie gorsze – odpowiednio 5,04% i 5,50%.
- W porównaniu z poprzednikiem, modelem Chirp 3 z 2025 roku, czas do uzyskania końcowej transkrypcji skrócił się o 70 procent; model jest dostępny w publicznej wersji zapoznawczej przez Gemini API w Google AI Studio.
Premiera odbyła się 26 sierpnia 2026 roku wpisem na firmowym blogu, który podpisali Diego Melendo Casado, Senior Director Engineering w zespole Gemini Audio, oraz Luke Leonhard. Model jest dostępny w publicznej wersji zapoznawczej przez Gemini API w Google AI Studio oraz przez Gemini Enterprise Agent Platform.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Dwa modele, dwie różne role
Google rozdzielił premierę na dwa warianty, bo transkrypcja rozmowy prowadzonej na żywo i transkrypcja gotowego nagrania to dwa różne problemy inżynieryjne.
gemini-3.5-transcribe-liveobsługuje dwukierunkowy strumień w Live API z opóźnieniem poniżej sekundy. To wariant pod asystentów głosowych, napisy na żywo i boty telefoniczne.gemini-3.5-transcribeprzetwarza nagrania, spotkania i rejestry rozmów przez Interactions API, z przypisaniem wypowiedzi do mówców i znacznikami czasu na poziomie pojedynczych słów.
Rozpoznawanie mówców działa deklaratywnie do trzech osób. Powyżej tej liczby Google określa funkcję jako eksperymentalną, co przy nagraniach z zebrań czy paneli dyskusyjnych jest realnym ograniczeniem, a nie drobiazgiem w przypisie.
Sam Google opisuje to prosto: „Zbudowaliśmy 3.5 Transcribe tak, żeby wpasował się w codzienną pracę programistów” / „We’ve built 3.5 Transcribe to plug seamlessly into your developer workflows”.
Czym to się różni od Chirp 3
Poprzednikiem był Chirp 3, model z 2025 roku. Google podaje, że czas do uzyskania końcowej transkrypcji skrócił się o 70 procent. Na wielojęzycznym zestawie FLEURS nowy model osiąga 5,50 procent błędu w trybie strumieniowym i 5,04 procent w trybie wsadowym, czyli wyraźnie gorzej niż w testach anglojęzycznych. Ta różnica mówi więcej o realiach niż główna liczba z komunikatu prasowego.
Poza samą dokładnością doszło kilka rzeczy, których klasyczne systemy rozpoznawania mowy nie robiły:
- automatyczna obsługa autopoprawek w rodzaju „spotkajmy się we wtorek, nie, w środę”
- usuwanie wtrąceń i wahań oraz formatowanie tekstu bez osobnego przebiegu redakcyjnego
- własny słownik terminów, żeby model nie kaleczył nazw produktów, leków czy oznaczeń technicznych
- rozpoznawanie ciągów alfanumerycznych, czyli kodów pocztowych i numerów zamówień, tam gdzie w tle szumi otoczenie
- wywoływanie funkcji, dzięki czemu model przekazuje cięższe zadania innym modelom Gemini, na razie w aplikacji na macOS
- automatyczne wykrywanie i transkrypcja ponad 85 języków
Piąte miejsce w rankingu, nie pierwsze
Google powołuje się na pomiary Artificial Analysis i to akurat uczciwe, bo ten sam ranking pokazuje, gdzie naprawdę stoi nowy model. W zestawieniu AA-WER dla trybu wsadowego na czele jest Fun-Realtime-ASR-preview z wynikiem 1,7 procent, dalej Scribe v2 od ElevenLabs z 2,2 procent, MAI-Transcribe-1.5 i Smallest AI Pulse Pro po 2,4 procent, a Gemini 3.5 Transcribe zamyka pierwszą piątkę z 2,6 procent. Najdokładniejszym modelem o otwartych wagach pozostaje Voxtral Small od Mistrala z wynikiem 2,8 procent, czyli różnica między najlepszym modelem zamkniętym a otwartym zmieściła się w jednym punkcie procentowym.
Prędkość to osobna konkurencja. Nova-3 od Deepgram przetwarza materiał z współczynnikiem 527,2 razy szybciej niż czas rzeczywisty. Dla wariantu Live liczy się co innego: według pomiarów Artificial Analysis Gemini 3.5 Transcribe Live osiąga 4,0 procent błędu w trybie strumieniowym przy opóźnieniu 0,40 sekundy od zakończenia wypowiedzi. To ta liczba decyduje, czy bot telefoniczny brzmi jak rozmówca, czy jak automat.
Widzę tu klasyczny ruch dużego dostawcy. Google nie wygrywa rankingu dokładności i wygrywać nie musi. Wygrywa dystrybucją, bo jego model wjeżdża do produktów, z których ludzie korzystają codziennie, podczas gdy konkurenci muszą przekonać każdego programistę z osobna.
Największa zmiana w tym modelu nie dotyczy dokładności, tylko tego, co model robi z naszymi słowami po ich rozpoznaniu. Usuwanie wahań, sklejanie autopoprawek i formatowanie tekstu to funkcje wygodne przy dyktowaniu wiadomości, a ryzykowne wszędzie tam, gdzie transkrypcja jest dowodem. Protokół rozprawy, dokumentacja medyczna, nagranie wywiadu dziennikarskiego, zapis rozmowy reklamacyjnej. W każdym z tych zastosowań wierność zapisu jest ważniejsza niż jego gładkość, a model, który sam decyduje, że mówca „tak naprawdę” miał na myśli środę, wprowadza do zapisu interpretację.
Doceniam, że Google podał liczby z zewnętrznego pomiaru i nie ukrył gorszych wyników wielojęzycznych. Doceniam też rozdzielenie modeli na strumieniowy i wsadowy, bo to uczciwe podejście do dwóch różnych problemów. Pytanie, na które nie mamy odpowiedzi, brzmi inaczej: czy da się wyłączyć inteligentne czyszczenie mowy i dostać surowy zapis, kiedy tego wymaga prawo albo zdrowy rozsądek. Bez tego przełącznika najlepszy model transkrypcji na rynku będzie bezużyteczny w połowie zastosowań, w których transkrypcja naprawdę coś znaczy.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Dyktowanie wchodzi wszędzie tam, gdzie jest pole tekstowe
Model nie zostaje w API. Google wpuścił go do funkcji Rambler w klawiaturze Gboard na Androidzie, która zamienia swobodną wypowiedź w uporządkowany tekst i pozwala poprawiać napisany już fragment komendami głosowymi. Rambler zadebiutował na serii Pixel 11 i na razie działa w wybranych krajach i językach.
W środowisku Google Antigravity model korzysta z kontekstu ekranu i historii rozmowy, żeby poprawnie zapisywać nazwy plików. W Google AI Studio obsługuje tryb Build. W aplikacji Gemini na macOS pozwala streszczać lokalne pliki i generować obrazy głosem, przekazując zadania innym modelom w tle. Do Chrome ma trafić wkrótce, z możliwością dyktowania w dowolnym polu tekstowym na stronie.
Z platform pośredniczących wsparcie zapowiedziały między innymi Agora, LiveKit, Pipecat, LangChain, Vercel i Fishjam. Pozytywne opinie o modelu przekazały firmy Vivo, IntelliTek Health i Lingopal, choć są to wypowiedzi zebrane i opublikowane przez samego Google, więc traktuję je jako materiał promocyjny, nie jako niezależny test.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Polski rynek voice AI patrzy na to inaczej
Google mówi o ponad 85 językach, ale pełnej listy z wynikami dla poszczególnych języków nie opublikował. Dla polskiego czytelnika to różnica zasadnicza, bo polszczyzna z fleksją, zbitkami spółgłoskowymi i swobodnym szykiem zdania od lat wypada w systemach rozpoznawania mowy gorzej niż angielski. Wyniki FLEURS, gdzie błąd rośnie z 2,6 do ponad 5 procent, pokazują skalę tego zjawiska.
Polska ma własne narzędzia do sprawdzenia takich deklaracji. Centrum Sztucznej Inteligencji Uniwersytetu im. Adama Mickiewicza rozwija zbiór BIGOS i tablicę wyników Polish ASR Leaderboard, zbudowane wyłącznie pod ocenę systemów rozpoznawania mowy dla polszczyzny. Badania w ramach BIGOS V2 objęły ponad dwadzieścia zbiorów danych i dwadzieścia pięć modeli, a jeden z wniosków jest niewygodny dla wszystkich dostawców: mowa spontaniczna wypada wyraźnie gorzej niż czytana. Rozmowa w call center to właśnie mowa spontaniczna.
Na tym rynku działają też firmy, które nie czekały na Google. Krakowskie Techmo, spin-off AGH, i gdański Voicelab budują własne modele rozpoznawania i analizy mowy dla bankowości, energetyki, e-commerce i administracji. Prezes Techmo, dr hab. Bartosz Ziółko, mówił Newserii Innowacje, że informacja staje się coraz cenniejszym dobrem i „będzie coraz bardziej oczekiwana w systemach audio”. Ich przewagą nie jest surowa dokładność, tylko dostosowanie do polskiego prawa, możliwość wdrożenia lokalnego i znajomość branżowego słownictwa.
I tu pojawia się pytanie o RODO. Rambler przetwarza dźwięk w chmurze, a Google deklaruje, że nagrania nie są zapisywane i znikają po dostarczeniu tekstu. Dla działu prawnego banku czy szpitala deklaracja to za mało, potrzebna jest umowa powierzenia i wiedza o lokalizacji przetwarzania. Firmy, które chcą trzymać nagrania u siebie, wciąż mają alternatywę w postaci modeli uruchamianych lokalnie, o czym pisałem przy okazji przewodnika po Whisperze.
Moja rada dla każdego, kto rozważa zmianę dostawcy: nie kupujcie liczby z komunikatu prasowego. Weźcie sto własnych nagrań z prawdziwego ruchu, z szumem, z akcentem, z branżowym żargonem, i przepuśćcie je przez trzy modele naraz. Wynik potrafi być zupełnie inny niż ranking.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym oficjalnego komunikatu Google z dnia 26.08.2026, rankingu Artificial Analysis oraz relacji 9to5Google, Neowin i Android Authority. Dane o funkcji Rambler pochodzą z dokumentacji pomocy Gboard. Informacje o polskim rynku rozpoznawania mowy oparte są na materiałach Centrum Sztucznej Inteligencji UAM (BIGOS, Polish ASR Leaderboard) oraz wypowiedzi dr. hab. Bartosza Ziółki dla Newserii Innowacje. Cytat przedstawicieli Google został zweryfikowany z oryginalnym anglojęzycznym materiałem źródłowym. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o dostępności Gemini 3.5 Transcribe dla języka polskiego.
