Google udostępnił Gemini 3.5 Transcribe, nowy model zamieniający mowę na tekst w czasie rzeczywistym. Rozwiązanie automatycznie formatuje wypowiedź, radzi sobie z szumem tła, branżowym żargonem i potknięciami mówcy. Firma ogłosiła je 26 sierpnia 2026 i wskazuje na wyraźny skok dokładności oraz szybkości względem starszego modelu Chirp 3.
Według Google model rozpoznaje ponad 85 języków, obsługuje regionalne akcenty i potrafi przełączać język w trakcie nagrania. Sam koryguje wypowiedzi (na przykład „spotkajmy się we wtorek, nie, w środę”), usuwa słowa-wypełniacze, dodaje znaczniki czasu na poziomie słów i rozróżnia mówców (do trzech pewnie, powyżej eksperymentalnie). Deklarowane wyniki to średni współczynnik błędu słów (WER) 4,0% dla trybu strumieniowego i 2,6% dla nagrań gotowych, a czas do końcowej transkrypcji ma być o 70% krótszy niż w Chirp 3. Model udostępniono w dwóch interfejsach API w publicznej wersji zapoznawczej: strumieniowym Live API oraz Interactions API do nagrań. Ceny nie podano.
Co Gemini 3.5 Transcribe znaczy dla polskiego biznesu
Transkrypcja w czasie rzeczywistym z niskim opóźnieniem otwiera konkretne zastosowania: automatyczne notatki ze spotkań, napisy na żywo, analizę rozmów w obsłudze klienta czy sterowanie głosem. Dla firm w Polsce liczą się dwie rzeczy. Po pierwsze, jakość rozpoznawania języka polskiego i branżowego słownictwa. Deklarowane wyniki dotyczą uśrednionych testów, więc warto zmierzyć błędy na własnych nagraniach przed wdrożeniem. Po drugie, dane. Nagrania rozmów i spotkań to często dane osobowe, a przetwarzanie ich w chmurze zewnętrznego dostawcy wymaga sprawdzenia zgodności z RODO: gdzie trafia audio, jak długo jest przechowywane i kto ma do niego dostęp. Dostęp przez API bywa wygodny, ale uzależnia proces od jednego dostawcy, dlatego warto rozdzielać warstwę modelu od reszty aplikacji. Sama niska cena błędu nie zastępuje testu na realnych danych i procesie.
Źródło: Google — Gemini 3.5 Transcribe (EN, 26.08.2026).
