Google wydał modele zamiany mowy na tekst Gemini 3.5 Transcribe dla nagrań i transmisji na żywo

Wpis archiwalny: opisuje wydarzenie z 26 sierpnia 2026, a opublikowaliśmy go 8 listopada 2026. Dane pochodzą ze źródeł z tamtego dnia i mogły się od tego czasu zmienić.

26 sierpnia 2026 r. Google wydał Gemini 3.5 Transcribe dla nagranego dźwięku oraz Gemini 3.5 Transcribe Live do transkrypcji strumieniowej w czasie rzeczywistym. Według wpisu na blogu Google o Gemini 3.5 Transcribe oba modele oferowały przypisywanie wypowiedzi do mówców, znaczniki czasu na poziomie słów oraz własne słownictwo.

Co się zmieniło

• Były dwa modele: gemini-3.5-transcribe (bez strumieniowania) i gemini-3.5-transcribe-live (dwukierunkowe strumieniowanie przez WebSocket za pośrednictwem Live API).
• Funkcje obejmowały diaryzację mówców, znaczniki czasu na poziomie słów oraz własne słownictwo do 1000 terminów.
• Współczynnik błędów słów w Artificial Analysis wyniósł 4,0% dla strumieniowania i 2,6% bez strumieniowania. W FLEURS było to 5,50% dla strumieniowania i 5,04% bez strumieniowania.
• Google podał, że czas do końcowej transkrypcji był o 70% lepszy niż w Chirp 3.
• Nagrany dźwięk otrzymywał przypisanie wypowiedzi do mówców ze znacznikami czasu dla maksymalnie trzech mówców, a obsługa więcej niż trzech mówców była eksperymentalna. Pliki do 1 godziny były przetwarzane przez Interactions API.

Dostępność i obsługiwane języki

Blog podawał, że modele transkrybują ponad 85 języków, natomiast wpis w dzienniku zmian Gemini API z 26 sierpnia 2026 r. wskazywał 80+. Dziennik zmian wymieniał modele jako ogólnie dostępne, a blog opisywał dostępność dla deweloperów jako publiczną wersję zapoznawczą w Gemini API i Google Antigravity. Google podał, że modele zasilały Rambler w Gboard oraz dyktowanie w aplikacji Gemini na macOS i miały trafić do Chrome.

Co to oznacza dla osób budujących z AI

Deweloperzy dostali własną transkrypcję strumieniową i wsadową Google z diaryzacją w Gemini API, konkurującą z wyspecjalizowanymi usługami zamiany mowy na tekst. 15 września 2026 r. Google opublikował też wpis o budowaniu aplikacji głosowych w czasie rzeczywistym z Gemini 3.8 Live i 3.5 Transcribe.

Źródła

• Intelligent transcription with Gemini 3.5 Transcribe (Google (The Keyword), 26 sierpnia 2026, oficjalne)
• Gemini API changelog: August 26, 2026 (Google AI Studio (Gemini API changelog), 26 sierpnia 2026, oficjalne)
• Build real-time voice applications with Gemini 3.8 Live and 3.5 Transcribe (Google (The Keyword), 15 września 2026, oficjalne)

Tekst przygotowany z pomocą AI wyłącznie na podstawie źródeł wymienionych powyżej. Zanim trafił na stronę, przeszedł automatyczną kontrolę dat, źródeł i wszystkich wersji językowych.