Prepisovanie nahrávok patrí medzi najpraktickejšie použitia AI — a Google sa oň teraz uchádza špecializovaným modelom. Gemini 3.5 Transcribe vyšiel 26. augusta cez Gemini API ako nástupca Chirp 3 a podľa nezávislého benchmarku Artificial Analysis dosahuje priemernú chybovosť slov (WER) 2,6 % pri nahranom zvuku a 4,0 % pri streaming v reálnom čase. Model beží už aj v spotrebiteľských produktoch — poháňa diktovanie Rambler na Gboarde a v apke Gemini na macOS, do Chrome sa chystá.
Dva endpointy, dve rôzne služby
Kľúčový detail, ktorý treba pochopiť pred nasadením: Gemini 3.5 Transcribe nie je jeden model, ale dva s odlišnými schopnosťami.
gemini-3.5-transcribe(nahrávky): cez Interactions API spracuje súbory do 1 hodiny, vie rozoznávanie rečníkov (diarizáciu) a časové značky na úrovni slov. Pozor: po zapnutí diarizácie alebo časových značiek limit klesne na 30 minút a označovanie viac ako 3 rečníkov je v dokumentácii explicitne „experimentálne".gemini-3.5-transcribe-live(streaming): obojsmerný WebSocket pre hlasových agentov s finálnym výsledkom do 0,4 sekundy po skončení reči — ale relácia je obmedzená na 10 minút a diarizáciu ani časové značky nepodporuje. Kto chce nepretržitý prepis, musí si naprogramovať segmentáciu a znovupripojenie.
Čo dokáže navyše
- 85+ jazykov s automatickou detekciou a zmiešanou rečou (code-switching) v jednej vete.
- Vlastná slovná zásoba až 1 000 výrazov — odborné termíny, kódové označenia, PSČ.
- „Smart“ prepis: automaticky odstraňuje „hm“ a „ehm“ a vyhladzuje sebaopravy rečníka. To je zároveň hlavné riziko — ak potrebujete doslovný prepis pre právne alebo lekárske účely, táto funkcia môže prepísať presné znenie.
- Rýchlosť: čas do finálneho prepisu je podľa Google o 70 % kratší než u Chirp 3.
Cena a porovnanie
Google ceny do oznámenia nedal, z cenníka ich zostavil portál eesel: súborový prepis vychádza približne na 0,005 USD za minútu, streaming na 0,009 USD za minútu. Na porovnanie: štandardný Cloud Speech-to-Text v2 štartuje na 0,016 USD/min, OpenAI Whisper cez API stojí 0,006 USD/min (batch) a jeho realtime variant 0,017 USD/min. Gemini 3.5 Transcribe tak cenou atakuje najlacnejšie riešenia pri vyššej udávanej presnosti — benchmarky ale treba čítať opatrne, metodiky testov sa líšia.
Praktické odporúčanie
- Diktovanie a hlasové poznámky jedného rečníka: ideálny use case — cena a presnosť sú ťažko poraziteľné.
- Porady so 4+ rečníkmi alebo doslovný záznam: otestujte paralelne Deepgram alebo ElevenLabs Scribe; benchmarkové čísla nemusia sedieť na vašom zvuku.
- Produkcia: model je vo verejnej preview (AI Studio, Gemini Enterprise Agent Platform) a dokumentácia sa rozchádza v tom, či je „stabilný" — s viazanosťou pre kritické systémy počkajte.
- Začnite na bezplatnom tieri v Google AI Studio; platený tier garantuje, že obsah nebude použitý na tréning produktov Google.
