Transkrypcja spotkań po polsku: przetestowałem 12 usług na prawdziwym spotkaniu zespołu
Jeden z modeli do transkrypcji, które testowałem, po cichu pominął pierwsze 6 minut naszego spotkania. Inny ma w rankingu 2% błędów, a na naszym polskim daily mylił mniej więcej co piąte słowo.
Mamy w firmie dużo nagrań. Codzienne daily zespołu nagrywa bot na Discordzie, spotkania z klientami nagrywa osobne narzędzie, a ja sam coraz więcej rzeczy dyktuję zamiast pisać. Wszystko to trzeba przepisać na tekst, zanim da się z tym coś zrobić.
Te dane idą do kogoś na serwer i tam są transkrybowane. Długo się nad tym nie zastanawiałem. Teraz myślę o własnym serwerze i modelu, który będzie mi to robił wszystko lokalnie. Tylko czy nie stracę na jakości?
Zanim cokolwiek zmienię, chciałem to zmierzyć. Wziąłem 10 minut naszego prawdziwego daily i puściłem je przez 12 usług do transkrypcji plus jeden model uruchomiony lokalnie. Sprawdziłem, ile błędów robią, ile kosztują, jak szybko działają, czy rozpoznają, kto mówi, i czy dają ten sam wynik dwa razy z rzędu. Tu są wyniki.
Po co mi dobra transkrypcja
Transkrypcja to dla mnie dopiero pierwszy krok. Chodzi mi o to, żeby mieć spotkanie, na którym z automatu już są tworzone na przykład jakieś stories, z których później powstają zadania albo są wysyłane maile.
Czyli kończymy spotkanie i zadania już są w ClickUpie, a szkic maila do klienta czeka na sprawdzenie. Żeby to działało, model musi dobrze zrozumieć, kto co powiedział i o czym. Jeśli pomyli imię osoby albo nazwę narzędzia, zadanie trafi do złej osoby albo nikt go nie znajdzie.
Drugi powód jest bardziej przyziemny. Na co dzień korzystam z lokalnego Whispera do dyktowania. Działa, ale zjada pamięć komputera, więc ustawiłem, żeby usypiał po 3 minutach bezczynności. To podsunęło mi pytanie, czy w ogóle warto trzymać model u siebie, skoro w chmurze jest tak tanio.
Dlatego przed testem spisałem, co mnie interesuje:
- ile błędów robi model po polsku,
- ile to kosztuje miesięcznie przy naszej skali,
- jak szybko oddaje tekst,
- czy rozpoznaje, kto mówi,
- czy łapie imiona, nazwy narzędzi i branżowe skróty,
- gdzie lądują dane.
Pogadajmy
Zrobić to razem?
Wdrażam takie rzeczy w firmach na co dzień. Umów 30 minut, pogadamy konkretnie o Twoim przypadku. Bez prezentacji sprzedażowej.
Umów bezpłatną rozmowę →
Łukasz ŚlusarskiTwórca important.is
Co mówią rankingi, a czego nie mówią
Zacząłem od rankingu Artificial Analysis, który porównuje modele do zamiany mowy na tekst (artificialanalysis.ai/speech-to-text). Na pierwszym miejscu był MAI-Transcribe-2 od Microsoftu, z wynikiem około 2% błędnych słów.
2% brzmi świetnie. Tylko że ten ranking liczy błędy na nagraniach po angielsku. O polskim nic nie mówi. Ranking po prostu odpowiada na inne pytanie niż moje.
Moje pytanie brzmi: jak te modele radzą sobie z polskim spotkaniem, na którym cztery osoby mówią naraz, przerywają sobie, mówią ciszej, wtrącają angielskie słowa i nazwy narzędzi. Na to żaden ranking mi nie odpowiedział, więc sprawdziłem sam. Tak samo podeszliśmy wcześniej do modelu Jev, który sprawdzaliśmy na polskich mailach.
Jak wyglądał test
Nagranie. 10 minut daily z 29 października 2026. Cztery osoby, polski, normalna rozmowa o bieżących projektach. Nagrywał Craig, bot na Discordzie, który zapisuje każdą osobę na osobnej ścieżce. To bardzo pomogło, bo dzięki temu wiem na pewno, kto i kiedy mówił.
Usługi tych osobnych ścieżek nie dostały. Połączyłem je w jedno nagranie, tak jak nagrywa większość narzędzi do spotkań, i każda usługa dostała ten sam plik bez informacji, kto mówi. Osobne ścieżki posłużyły tylko mnie, do sprawdzenia wyników.
Wzorzec. Żeby policzyć błędy, trzeba mieć tekst, z którym się porównuje. Nie przepisywałem 10 minut ręcznie. Zrobiłem to inaczej: każdą wypowiedź wyciąłem z czystej ścieżki danej osoby i przepisałem osobno. Na czystej ścieżce nie ma nikogo innego, więc model ma dużo łatwiej. Zrobiłem tak dwa razy, dwoma różnymi modelami (MAI-Transcribe-2 i Gemini 3.5 Transcribe), i porównałem każdą usługę z oboma wzorcami.
Ważna rzecz: te dwa wzorce różnią się między sobą o 11,6% słów. Czyli nawet „idealny” tekst z czystych ścieżek nie jest idealny. Dlatego różnice między usługami mniejsze niż około 3 punkty traktuję jako szum, a nie jako wygraną.
Co mierzyłem.
- Błędne słowa (WER). Ile słów na sto model przepisał źle, dodał albo zgubił. Wtrącenia typu „yyy” i „mmm” pominąłem, bo każdy model zapisuje je inaczej.
- Nazwy i terminy. Lista 19 słów, które padły na spotkaniu: imiona zespołu, nazwy narzędzi (ClickUp, Asana, Discord, wFirma), skróty SEO i GEO, kilka nazw firm. Liczyłem, ile z nich model zapisał poprawnie.
- Mówcy. Jaki procent słów model przypisał właściwej osobie.
- Czas. Ile sekund od wysłania pliku do gotowego tekstu.
- Powtarzalność. To samo nagranie wysłane drugi raz. Czy tekst wychodzi ten sam?
- Cisza i szum. Prawie minuta ciszy i szumu. Czy model coś zmyśla?
- Koszt. Cena z cennika za godzinę nagrania.
Cały test, ze wszystkimi powtórzeniami, kosztował mniej niż 1 dolara.
Wolisz to zlecić?
30 minut, bez zobowiązań. Sprawdzimy czy to ma sens.
Zarezerwuj termin →
Wyniki
| Usługa | Błędne słowa | Nazwy i terminy | Mówcy | Czas na 10 min | Cena za godzinę |
|---|---|---|---|---|---|
| Azure LLM Speech | 19,5 do 21,5% | 95% | 98,3% | 12,5 s | 0,36 $ |
| Azure MAI-Transcribe-2 | 19,3 do 23,5% | 97% | 97,9% | 4,7 s | 0,54 $ |
| Azure fast transcription | 21,8 do 22,8% | 90% | 99,2% | 13,5 s | 0,36 $ |
| OpenAI gpt-transcribe | 22,9 do 23,4% | 70% | nie rozpoznaje | 11,9 s | 0,27 $ |
| Google Gemini 3.5 Transcribe | 23,1 do 24,1% | 90 do 94% | 99,5% | 12,2 s | 0,18 $ |
| Google Gemini 2.5 Flash | 23,4 do 24,5% | 89 do 92% | 97,0% | 54,1 s | 0,09 $ |
| OpenAI gpt-4o-mini-transcribe | 24,2 do 24,3% | 92% | nie rozpoznaje | 13,9 s | 0,18 $ |
| AssemblyAI Universal-2 | 25,5% | 72 do 74% | 98,5% | 25,6 s | 0,15 $ |
| Groq Whisper large-v3-turbo | 25,6% | 80 do 85% | nie rozpoznaje | 1,9 s | 0,04 $ |
| Groq Whisper large-v3 | 26,0 do 26,6% | 86 do 87% | nie rozpoznaje | 3,8 s | 0,11 $ |
| OpenAI gpt-4o-transcribe-diarize | 29,3 do 30,4% | 59 do 66% | 90,2% | 192 s | 0,36 $ |
| Lokalnie: whisper.cpp, model turbo | 43,9 do 44,2% | 74% | nie rozpoznaje | 33,8 s | 0 $ |
| OpenAI gpt-4o-transcribe | 63,5 do 64,2% | 13% | nie rozpoznaje | 15,9 s | 0,36 $ |
Przy błędnych słowach podaję dwie liczby, bo każdą usługę porównałem z dwoma wzorcami.
Na naszym nagraniu nawet najlepsze modele myliły co piąte słowo
To był pierwszy wniosek i trochę mnie zaskoczył. Najlepsza piątka ma od 19 do 24% błędnych słów. Daleko od 2% z rankingu.
Skąd tak duża różnica? Nie tylko z języka. Na prawdziwym spotkaniu ludzie mówią ciszej, wchodzą sobie w słowo, mówią dwie osoby naraz. Czysta ścieżka łapie każde ciche „no tak, tak” i każde wtrącenie, a w zmiksowanym nagraniu to ginie. Dotyczy to wszystkich modeli tak samo, więc porównanie między nimi jest uczciwe, ale wartości bezwzględne są wysokie.
Czy co piąte słowo źle to dużo? Notatkę da się przeczytać. Ale automat, który ma z tego tekstu zrobić zadania, potrzebuje więcej. Dlatego ważniejsza od ogólnego wyniku okazała się kolejna kolumna.
Drugi wniosek: różnice w pierwszej piątce są mniejsze niż szum. Skoro nawet moje dwa wzorce różnią się o 11,6%, to różnica między 19,5% a 22,9% niczego nie rozstrzyga. Za to różnica w cenie między tymi usługami jest kilkukrotna.
Nazwy i terminy: tu widać prawdziwe różnice
Z ogólnego wyniku nie widać, czy model zapisał „ClickUp”, czy „klik ap”. A dla automatu, który ma założyć zadanie, to jest różnica między działa i nie działa.
Tu różnice są duże:
- Usługi Azure łapały 90 do 97% nazw.
- Gemini 3.5 Transcribe 90 do 94%.
- gpt-transcribe od OpenAI i AssemblyAI tylko około 70%. Obie zgubiły „SEO” i „GEO”.
- „wFirma” nie zapisał poprawnie żaden model.
Część usług pozwala podać listę słów, których model ma się spodziewać. Sprawdziłem to i tu jest pułapka, o której niżej.
Kto mówi: prawie wszyscy dobrze, ale nie wszyscy w ogóle
Rozpoznawanie mówców (diarization) jest mi potrzebne, bo zadanie musi trafić do osoby, która je wzięła. Usługi, które to potrafią, przypisały właściwej osobie 97 do 99,5% słów. Bardzo dobrze.
Ale prawie połowa usług z testu w ogóle tego nie robi. Groq, gpt-transcribe, gpt-4o-transcribe, gpt-4o-mini i lokalny Whisper oddają jeden ciągły tekst. Wyjątkiem jest gpt-4o-transcribe-diarize od OpenAI, który mówców rozpoznaje, ale gorzej (90%), i potrzebował ponad 3 minut na 10 minut nagrania.
Jest też obejście. Jeśli nagrywasz każdą osobę na osobnej ścieżce, tak jak nasz bot na Discordzie, mówców rozpoznawać nie trzeba. Wiesz to z nagrania. Wtedy model może być prostszy i tańszy.
Wpadki, których nie widać w rankingach
Model zgubił 6 minut. gpt-4o-transcribe od OpenAI pominął pierwsze około 6 minut nagrania i powtórzył jeden fragment. Stąd 64% błędów. Przy kolejnym wysłaniu tego samego pliku wychodził inny tekst, za każdym razem. Gdyby taki model zasilał automat do zadań, z 10 minut spotkania zostałyby 4 i nikt by tego nie zauważył, dopóki ktoś nie zapytałby o zadanie, którego nie ma.
Ten sam plik, inny tekst. Sprawdziłem, czy usługi dają ten sam wynik przy drugim wysłaniu. Azure, Gemini 3.5, AssemblyAI i Groq dawały identyczny albo prawie identyczny tekst. gpt-transcribe różnił się o 6%. gpt-4o-mini-transcribe różnił się między próbami o 37%, Gemini 2.5 Flash o 14%. Do zwykłej notatki to nie przeszkadza. Do automatu, który porównuje wyniki albo coś na nich liczy, już tak.
Podpowiedź, która zmyśla. W teście ciszy i szumu żaden model nie zmyślał tekstu, dopóki nie dostał podpowiedzi. Gdy Groq dostał listę słów, których ma się spodziewać, wstawił je w ciszę. Czyli w nagraniu nikt nic nie mówi, a w tekście pojawiają się nazwy z listy. Podpowiedzi pomagają z nazwami, ale trzeba je sprawdzić na ciszy, zanim się je włączy na stałe.
Lokalny model zgubił jedną trzecią. whisper.cpp z modelem turbo na moim komputerze zgubił około 1/3 tekstu. Wniosek: lokalny model trzeba ustawić i przetestować tak samo jak usługę w chmurze.
Ile to kosztuje naprawdę
Ceny za godzinę wyglądają na grosze, więc przeliczyłem je na nasze daily. Przyjąłem 21 dni roboczych i około 31 minut spotkania dziennie.
| Usługa | Miesięcznie za daily |
|---|---|
| Groq Whisper turbo | ok. 0,43 $ |
| Gemini 3.5 Transcribe | ok. 1,95 $ |
| Azure LLM Speech i fast transcription | ok. 3,91 $ |
| Azure MAI-Transcribe-2 | ok. 5,86 $ |
Rozpiętość jest kilkunastokrotna, a jakość pierwszej piątki prawie ta sama. Przy tej skali koszt nie powinien decydować, bo nawet najdroższa opcja to kilka dolarów miesięcznie. O wyborze decydują nazwy, mówcy, powtarzalność i to, gdzie lądują dane.
Uwaga do ceny MAI: podaję cenę z cennika Azure (0,54 $ za godzinę). Ile Microsoft naprawdę policzy, widać w rozliczeniu Azure z opóźnieniem około doby.
Ceny brałem z cenników: Azure, OpenAI, Google Gemini, AssemblyAI i Groq. O tym, ile kosztują same modele językowe, pisaliśmy w tekście który model AI do czego.
Groq: najszybszy i najtańszy, ale
Groq przepisał 10 minut w niecałe 2 sekundy, za 4 centy za godzinę. Na darmowym planie. Tu Groq jest absolutnym liderem. Szybkość, koszt… ale jest ograniczony.
Ograniczenia są trzy. Nie rozpoznaje mówców. Łapie mniej nazw niż Azure i Gemini. I darmowy plan ma limity na godzinę i na dzień. Chciałem przejść na płatny plan, ale nie dało się, bo zabrakło miejsc. Do budowy procesu, od którego zależą zadania w firmie, to za mało pewne.
Co z tego wynika
To moje wnioski z jednego testu, nie ranking:
- Jeśli potrzebujesz notatek do czytania przez człowieka, wystarczy praktycznie każda usługa z pierwszej dziesiątki. Wybieraj po cenie i po tym, gdzie trzymają dane.
- Jeśli tekst ma zasilać automat (zadania, maile, CRM), patrz na nazwy, mówców i powtarzalność, a nie tylko na ogólny wynik. W moim teście najlepiej wypadły usługi Azure i Gemini 3.5 Transcribe.
- Jeśli nagrywasz każdą osobę osobno, rozpoznawanie mówców przestaje być problemem i możesz wziąć tańszy, szybszy model.
- Nie ufaj samemu rankingowi po angielsku. Zmierz na swoim nagraniu. U mnie test kosztował niecałego dolara.
Czego ten test nie mówi
Uczciwie: to 10 minut jednego spotkania. Jedna firma, cztery głosy, jeden temat rozmowy. Na innym nagraniu, z innymi ludźmi i innym mikrofonem, wyniki mogą się przesunąć. Nie sprawdzałem długich spotkań, nagrań z telefonu ani spotkań z klientem przez Zooma.
Nie porównywałem też dokładnie, co każda firma robi z nagraniem: gdzie je trzyma, jak długo i czy uczy na nim modele. To osobny temat. Tak samo test modelu na własnym serwerze albo komputerze z mocną kartą graficzną. To kolejne kroki. Własny serwer już mamy, publikujemy z niego na przykład posty na dziewięć kanałów.
Wzorzec też nie jest idealny, bo zrobiłem go modelami, a nie ręcznie. Dlatego nie ogłaszam zwycięzcy w pierwszej piątce.
Co możesz zrobić dziś
Jeśli Twoja firma już nagrywa spotkania, zrób trzy rzeczy:
- Weź 10 minut prawdziwego spotkania, nie demo.
- Sprawdź w przepisanym tekście imiona, nazwy narzędzi i nazwy klientów. U mnie to pokazało różnice między usługami lepiej niż ranking.
- Sprawdź, gdzie Twoje narzędzie trzyma nagrania i czy możesz to zmienić.
Ten test robiłem dla nas w important.is, bo chcę, żeby po spotkaniu zadania i maile robiły się same.
raz na jakiś czas
Zostań w pętli
Nowe artykuły, narzędzia i case study prosto na maila. Bez spamu, bez sprzedaży.
