Google pokazuje Gemini 3.5 Transcribe w wersji zapoznawczej: piąte miejsce w niezależnym rankingu, który samo cytuje

Rozpoznawanie mowy znów znalazło się w centrum rywalizacji dostawców modeli — to naturalna brama do asystentów i agentów głosowych. W takich okolicznościach 26 sierpnia 2026 roku Google ogłosiło na swoim oficjalnym blogu publiczną wersję zapoznawczą Gemini 3.5 Transcribe. Model, który ma zastąpić linię Chirp, nie ogranicza się do przepisywania dźwięku słowo po słowie: od razu go czyści i formatuje. Firma ujmuje to tak: "Unlike conventional speech recognition models that struggle with background noise, complex jargon, and disfluency cleanup, Gemini 3.5 Transcribe converts raw audio directly into accurate, polished, formatted text" („W przeciwieństwie do konwencjonalnych modeli rozpoznawania mowy, które mają problem z hałasem w tle, złożonym żargonem i usuwaniem zacięć, Gemini 3.5 Transcribe zamienia surowy dźwięk bezpośrednio w dokładny, dopracowany i sformatowany tekst"). Technologia jest dostępna w publicznej wersji zapoznawczej przez Gemini API w Google AI Studio oraz na Gemini Enterprise Agent Platform, w wariantach `gemini-3.5-transcribe` dla nagrań (Interactions API) i `gemini-3.5-transcribe-live` dla interakcji w czasie rzeczywistym (Live API).

Google przedstawia model jako swoje najdokładniejsze jak dotąd narzędzie do zamiany mowy na tekst, ale niezależne pomiary rysują bardziej złożony obraz. Firma podaje wskaźnik błędu zmierzony przez Artificial Analysis: 2,6% bez streamingu i 4,0% w streamingu. W publicznym rankingu AA-WER tej samej organizacji, sprawdzonym 29 sierpnia 2026 roku, model zajmuje piąte miejsce ze wskaźnikiem błędu słów (WER) na poziomie 2,6%, ex aequo z dwoma innymi modelami i za Fun-Realtime-ASR-preview (1,7%), Scribe v2 od ElevenLabs (2,2%), MAI-Transcribe-1.5 od Microsoft Azure (2,4%) oraz Smallest AI Pulse Pro (2,4%). W nocie metodologicznej Artificial Analysis zaznacza, że niższy AA-WER oznacza dokładniejszą transkrypcję, a wynik liczony jest jako średnia ważona czasem trwania nagrań na około 8 godzinach materiału testowego. W wielojęzycznym teście FLEURS Google deklaruje WER 5,04% bez streamingu i 5,50% w streamingu, ale są to pomiary na wyborze języków i wariantów lokalnych, którego nie ujawniono w całości — bezpośrednie porównanie odpada. Firma podaje też 70-procentową poprawę czasu przetwarzania względem Chirp 3, lecz nie istnieje jej niezależna weryfikacja, a szczegółów porównania Google nie publikuje.

Wśród deklarowanych funkcji są: obsługa ponad 85 języków z automatycznym wykrywaniem, usuwanie przerywników w rodzaju "yyy" czy "eee" oraz przypisywanie wypowiedzi do maksymalnie trzech rozmówców wraz ze znacznikami czasu (powyżej tego progu funkcja jest eksperymentalna). Cennik wariantu asynchronicznego to 2,00 dolara za milion tokenów audio na wejściu i 12,00 dolara za milion tokenów tekstu na wyjściu, wersja live kosztuje odpowiednio 3,50 i 21,00 dolara, obie z bezpłatnym progiem użycia. Po stronie integracji model napędza funkcję Rambler w klawiaturze Gboard na Androidzie oraz aplikację Gemini na macOS, a wdrożenie w Chrome jest zapowiedziane. Pozostają jednak luki informacyjne: Google opisuje dostępność Ramblera jako ograniczoną do "wybranych krajów i języków", nie podając oficjalnej listy, podczas gdy Engadget w materiale z 26 sierpnia 2026 roku pisze, że funkcja działa na urządzeniach serii Pixel 11 i w przyszłości trafi do usług takich jak Search Live i Google Antigravity. Ponieważ jest to wersja zapoznawcza, nie towarzyszą jej umowy o poziomie usług (SLA), nie są też znane wyniki dla języka włoskiego ani jego odmian regionalnych.

Oczyszczanie tekstu już u źródła to decyzja pragmatyczna: agenci głosowi potrzebują jasnych intencji, a nie naszych ludzkich wahań. Ogłaszanie względnej poprawy o 70% bez pokazania szczegółów porównania, podczas gdy niezależny ranking stawia model na piątym miejscu pod względem dokładności, sugeruje jednak, że pościg za liderami branży wciąż jest otwarty. — Olya