Gemini 3.5 Transcribe проти Whisper: $0,30 за годину, але без заміру українською

Коротко (TL;DR)

• Gemini Transcribe vs Whisper — це порівняння не з одним продуктом, а з двома. Відкриті ваги Whisper працюють на вашому комп’ютері й нікуди не зникнуть. Хмарний whisper-1 OpenAI прибирає з API 26 лютого 2027 року, тож його користувачам заміну доведеться шукати в будь-якому разі.
• Точність англійською. На бенчмарку Artificial Analysis (дані на 7 листопада 2026 року) Gemini 3.5 Transcribe помиляється у 2,6% слів, Whisper large-v3 — у 4,1–4,5% залежно від хостингу. ElevenLabs Scribe v2 точніший за обох — 2,2%.
• Українську Gemini офіційно підтримує, але незалежного заміру точності для неї ми не знайшли. Для Whisper large-v3 українською є оцінка 6,28% (FLEURS, квантована версія).
• Ціна. Близько $0,30 за годину аудіо в Gemini проти $0,22 у Scribe v2 та $0,27 у gpt-transcribe: ці три сервіси коштують майже однаково. Локальний Whisper безкоштовний, але потребує відеокарти з 6–10 ГБ пам’яті.
• Пастки Gemini. Очищення від слів-паразитів (режим smart) не працює разом із розміткою мовців і таймкодами, а з ними запис обмежено 30 хвилинами. Безкоштовний ключ віддає ваші записи Google для покращення продуктів.
• Вердикт. Gemini — сильний кандидат для чистого тексту лекцій і коротких зустрічей, локальний Whisper — для конфіденційних інтерв’ю, Scribe v2 — для довгих зустрічей із трьома й більше учасниками. Останнє слово — за перевіркою на 3–5 хвилинах вашого власного аудіо.

Gemini 3.5 Transcribe за хвилину: що вийшло 26 серпня і де доступно

Gemini 3.5 Transcribe — спеціалізована модель Google для перетворення мовлення на текст, а не універсальний чат-бот, якому підсунули аудіо. Модель вийшла 26 серпня 2026 року (подробиці релізу — у нашій новині про запуск Gemini 3.5 Transcribe), а всі параметри нижче звірено з документацією Gemini API на 7 листопада 2026 року.

• Дві моделі. gemini-3.5-transcribe розшифровує готові записи, gemini-3.5-transcribe-live — потік із мікрофона в реальному часі.
• 85+ локалей з автовизначенням. В офіційному списку є українська (uk-UA). За документацією модель сама перемикається між мовами навіть усередині однієї фрази — це обіцянка вендора, корисна для змішаного мовлення й суржику.
• Функції. Діаризація (розмітка «хто говорить»), пословні таймкоди, власний словник до 1000 термінів, режим smart з очищенням тексту та нормалізація чисел: «двадцять шість мільйонів доларів» перетворюється на «$26M».
• Де доступна. За анонсом Google — у Gemini API через Google AI Studio та Google Antigravity.
• Наступниця Chirp 3. Google посилається на замір Artificial Analysis: час до фінальної розшифровки скоротився на 70%.

Зі статусом є дивина всередині самої Google. Станом на 7 листопада 2026 року changelog Gemini API (запис від 26 серпня) називає модель загальнодоступною (GA), сторінка моделей позначає її як Stable, а анонс у блозі й далі говорить про «публічне прев’ю». Для разової розшифровки це неважливо. Для продакшн-інтеграції ми закладалися б на те, що параметри ще можуть змінитися, поки Google не зніме суперечність.

І одна поправка до перших переказів релізу, зокрема й нашої новини: «прибирає слова-паразити» модель лише в режимі smart (у документації Google він називається Smart transcription). За замовчуванням API працює в режимі verbatim і віддає текст дослівно — з усіма «е-е», повторами й обмовками.

Whisper — це два різні продукти: відкриті ваги та хмарний API

Whisper — модель розпізнавання мовлення від OpenAI з відкритими вагами. Питання «чи переходити з Whisper» має сенс лише тоді, коли зрозуміло, про який Whisper ідеться: про той, що крутиться на вашій відеокарті, про той самий у стороннього хостингу чи про хмарний whisper-1 в API OpenAI.

Ключова дата — в офіційному списку моделей, які OpenAI виводить з API: 26 серпня 2026 року, в день релізу Gemini 3.5 Transcribe, компанія повідомила розробників, що 26 лютого 2027 року з API зникнуть whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe і gpt-4o-transcribe-diarize. Заміна від самої OpenAI — gpt-transcribe і gpt-live-transcribe.

OpenRouter як агрегатор моделей: один ключ до сотень нейромереж і збір 5,5%

Nano Banana Pro на потоці: 487 обкладинок і статистика браку

Ліміти ChatGPT та інших ШІ-чатів: що дають безкоштовно і за $20, як діяти далі

ШІ-підписка за $20: ChatGPT Plus, Claude Pro і Google AI Pro — що всередині

Який ШІ-чат найкращий: 5 нейромереж у незалежних рейтингах і під різні завдання

Звідси два різні рішення:

• Якщо у вас хмарний whisper-1, питання не «чи переходити», а «куди». Кандидатів щонайменше три: gpt-transcribe від тієї ж OpenAI, Gemini 3.5 Transcribe та ElevenLabs Scribe v2.
• Якщо у вас локальний Whisper, вас ніхто не квапить. Перехід має сенс, лише якщо хмарна модель помітно точніша вашою мовою і вас влаштовує, що запис іде на чужий сервер. Як розгорнути Whisper у себе й зібрати на ньому офлайн-диктування, ми розбирали в порівнянні Wispr Flow і власного Whisper.

Хостинг теж важить: у тій самій таблиці Artificial Analysis Whisper large-v3 на Replicate помиляється в 10,1% слів, тоді як у fal.ai — у 4,1%. Ваги однакові, відрізняються налаштування запуску, тож «Whisper» у чужому сервісі може виявитися помітно гіршим за Whisper у вас.

Точність Gemini і Whisper англійською: що виміряно, а що ні

WER (Word Error Rate) — частка слів, які модель замінила, пропустила або вставила зайвими порівняно з еталонною ручною розшифровкою. Що менше — то краще. 2,6% — це приблизно одна помилка на 38 слів, 4,1% — одна на 24.

Вибіркове зведення за рейтингом Artificial Analysis на 7 листопада 2026 року (метрика AA-WER v2, англійське аудіо):

Важливо, на чому це виміряно. За методологією Artificial Analysis індекс обчислюють приблизно на 8 годинах аудіо: 50% — мовлення для голосових асистентів (закритий набір AA-AgentTalk), 25% — англійська частина записів Європарламенту (VoxPopuli), 25% — дзвінки компаній з інвесторами (Earnings22). Української в наборі немає. Твердження з деяких оглядів, що 2,6% пораховано «на 85+ мовах», суперечить методології.

Місце в рейтингу теж не вічне. Під час запуску 26 серпня Artificial Analysis ставила Gemini 3.5 Transcribe на п’яте місце, а станом на 7 листопада 2026 року FAQ рейтингу не включає модель до першої п’ятірки: там Fun-Realtime-ASR-preview, MAI-Transcribe-2, Voxtral Small Transcribe 3, Scribe v2 і Voxtral Mini Transcribe 3. На ту саму дату точніші за Gemini також, зокрема, Grok Voice Transcribe 2.0 (2,3%) і StepAudio 3 ASR (2,5%). Цифра 2,6% не змінилася — просто з’явилися точніші моделі.

Українська мова в Gemini і Whisper: які є заміри

Транскрибація аудіо в текст українською — саме те місце, де даних найменше:

Висновок із таблиці простий: розрив 2,6% проти 4,1% англійською не можна автоматично переносити на українську. Перевага Gemini для розшифровки аудіо українською може виявитися і більшою, і меншою, і навіть зворотною — без перевірки на власних записах це невідомо.

Ціна години аудіо: Gemini, gpt-transcribe, Scribe v2 і Whisper

Google тарифікує Gemini 3.5 Transcribe у токенах, тому ми перерахували прайс на 7 листопада 2026 року в години. Аудіо на вході йде по 25 токенів на секунду: 90 000 токенів за годину по $2 за мільйон — це $0,18. Текст на виході Google оцінює в 175 токенів на хвилину: 10 500 токенів по $12 за мільйон — ще $0,126. Разом близько $0,31 за годину, сама Google округлює до ~$0,005 за хвилину, тобто ~$0,30 за годину. Artificial Analysis дає ту саму оцінку: $5 за 1000 хвилин.

Що з цього випливає:

• Між Gemini, gpt-transcribe, Scribe v2 і whisper-1 ціна майже нічого не вирішує. На 10 годинах на місяць різниця між Scribe v2 і whisper-1 — $1,40. Обирати варто за мовою, приватністю та функціями, а не за прайсом.
• Хостинг відкритого Whisper у 2,5–7,5 раза дешевший за Scribe v2, gpt-transcribe і Gemini, але англійською поступається їм у точності: 4,1–4,6% помилок проти 2,2–3,3% у цієї трійки.
• Локальний Whisper коштує грошей один раз — залізом. За README OpenAI моделі large потрібно близько 10 ГБ відеопам’яті, turbo (809 млн параметрів) — близько 6 ГБ за швидкості приблизно у 8 разів вищої. Ці швидкості OpenAI міряла англійською та на серверній A100, на домашній відеокарті вони будуть іншими.
• Безкоштовний рівень Gemini API бере $0 за вхід і вихід, але платите ви даними — про це наступний розділ.

Діаризація, таймкоди й ліміти: де Gemini впирається в 30 хвилин

Діаризація — це розмітка «хто говорить»: кожному фрагменту тексту модель присвоює мітку на кшталт spk_1 чи spk_2. Пословні таймкоди — час початку й кінця кожного слова, без них не зібрати субтитри. У Gemini 3.5 Transcribe ці функції конфліктують із найпомітнішими її можливостями, а в оглядах про це майже не говорять.

Навіть стеля мовців у Google розходиться: документація пише «до 8, від трьох — експериментально», анонс у блозі — «до трьох». Надійна межа сьогодні — три людини. У потокової моделі діаризації немає взагалі.

На тлі конкурентів це виглядає так:

Окрема знахідка: в OpenAI єдина модель із розміткою мовців стоїть у тому самому списку на видалення, що й whisper-1. Хто сьогодні ділить зустрічі за мовцями через gpt-4o-transcribe-diarize, до лютого 2027 року шукатиме заміну і цій функції — а Gemini з її 30 хвилинами закриває її лише частково.

Як це виглядає на практиці, добре видно на сервісі Whisper Memos: якщо користувач обрав Gemini 3.5 Transcribe, на неї йдуть зустрічі до 30 хвилин, а довші, з власним словником і всі інші за замовчуванням лишаються на ElevenLabs Scribe — «найнадійнішому варіанті розділення мовців», за словами самих розробників. ElevenLabs ми знаємо й за іншим продуктом: її дубляж відео ElevenLabs Dubbing ми розбирали окремо.

Приватність: безкоштовний ключ Gemini, платний ключ і Whisper офлайн

Для інтерв’ю з джерелом, медичних чи юридичних записів і робочих дзвінків цей розділ важливіший за точність.

• Безкоштовний ключ Gemini API. За умовами Gemini API на 7 листопада 2026 року Google використовує надісланий вміст і відповіді моделі, щоб надавати, покращувати й розвивати свої продукти, а люди-рецензенти можуть читати, розмічати й обробляти ваш вхід і вихід. У прайсі це прямо позначено рядком «Used to improve our products: Yes» для безкоштовного рівня.
• Платний ключ (з підключеним білінгом). Той самий рядок прайсу для платного рівня — «No»: записи на покращення продуктів не йдуть.
• Виняток, який України не стосується. Для користувачів з ЄЕЗ, Швейцарії та Великої Британії умови платного рівня діють і на безкоштовному. Україна до цього списку не входить.
• OpenAI та ElevenLabs. Запис у будь-якому разі йде на сервери компанії. Умови зберігання в кожного сервісу свої, тож перед завантаженням чутливого аудіо їх варто прочитати.
• Whisper локально. Єдиний варіант, за якого звук узагалі не залишає ваш комп’ютер. Ціна — відеокарта на 6–10 ГБ і час на встановлення.

Практичне правило: конфіденційне аудіо не надсилайте на безкоштовний ключ Gemini. Або підключайте білінг (година все одно коштує близько $0,30), або розшифровуйте локально.

Вибір між Gemini, Whisper і Scribe v2: подкаст, лекція, зустріч

Який ШІ найкращий для транскрибації — питання без однієї відповіді: виграє не модель із мінімальним WER англійською, а та, в якої немає обмеження, що впирається саме у ваше завдання. Під конкретні сценарії картина така:

Зв’язка з рядка про субтитри — не наша фантазія. В обговоренні релізу на Hacker News (363 бали, 127 коментарів) двоє розробників незалежно описали ту саму схему: перший прохід Whisper дає точні пословні таймкоди, другий прохід через універсальну Gemini (Flash або Pro, не Transcribe) дає чистий текст. Один із них збирався перевірити, чи замінить цю зв’язку нова модель. Якщо субтитри потрібні вам для монтажу, подивіться й наш розбір того, що нейромережа для відеомонтажу вже робить сама.

Для диктування врахуйте обмеження потокової моделі: за сторінкою моделі в Gemini 3.5 Transcribe Live немає ні таймкодів, ні розмітки мовців, а сесію обмежено 10 хвилинами. Якщо диктуєте промпти для роботи з кодом, знадобиться гайд про голосове введення в Claude Code: вбудована команда /voice, Whisper і Wispr Flow.

Як порівняти Gemini і Whisper на власному записі за 20 хвилин

Транскрибація аудіо нейромережею перевіряється лише на вашому аудіо: ваш мікрофон, ваша мова, ваші імена й терміни. Протокол нижче вкладається приблизно у 20 хвилин, якщо взяти короткий фрагмент.

1. Оберіть 3–5 хвилин типового запису. Не найчистіший шматок, а звичайний: із фоновим шумом, перебиваннями, іменами, цифрами і, якщо це ваш випадок, суржиком або перемиканням між мовами.
2. Проженіть фрагмент через кандидатів. Gemini 3.5 Transcribe (для чутливого аудіо — лише платний ключ; мову можна підказати параметром language_codes, наприклад uk-UA), Whisper large-v3 або turbo локально, за бажання gpt-transcribe і Scribe v2.
3. Зробіть еталон. Візьміть найкращу з розшифровок і виправте її на слух, слово за словом. Це швидше, ніж друкувати з нуля, але виправляти треба прискіпливо, інакше еталон підіграє тому рушію, з якого ви почали.
4. Нормалізуйте тексти перед порівнянням. Нижній регістр, без розділових знаків, числа в одному вигляді. Gemini сама перетворює «двадцять шість мільйонів» на «$26M», і без нормалізації це зарахується як помилка, хоча зміст правильний.
5. Порахуйте WER. Формула: (заміни + пропуски + вставки) / кількість слів в еталоні. Вручну на 500 словах це виснажливо; у Python те саме робить бібліотека jiwer однією функцією.
6. Подивіться, чого не видно у WER. Чи правильно записано імена й терміни, чи не переплутано цифри, чи не з’явився текст у паузах (типовий збій Whisper), чи правильно розмічено мовців. Одна помилка в сумі договору важливіша за десять пропущених «ну».

Рішення ухвалюйте за найгіршим збоєм, а не за середнім відсотком: модель з WER на відсоток вищим, але без вигаданих фраз у тиші, для інтерв’ю корисніша.

Ризики Gemini і Whisper: перефраз, галюцинації та застарілий рейтинг

• Режим smart може змінити зміст. Він сам розв’язує обмовки: у прикладі з документації «давайте у вівторок, ой ні, в середу о другій» перетворюється на «в середу о 14:00». Модель вирішує за мовця, що той мав на увазі. Для цитат у журналістиці й протоколів це ризик. В обговоренні на Hacker News користувач диктування на Pixel скаржився, що модель «спрощує» фразу й викидає її частину, змінюючи зміст. Для цитування використовуйте verbatim.
• Whisper галюцинує. Картка моделі на Hugging Face прямо визнає, що в розшифровці може з’явитися текст, якого в аудіо не було. Дослідження на arXiv (2025) описує повтори вже розпізнаних фраз на немовних ділянках і зациклення. Паузи, музика й шум — зона ризику.
• Немає заміру українською. Усі цифри точності Gemini, крім вендорських, — англійські. Висновок «Gemini точніша за Whisper нашою мовою» сьогодні не спирається на незалежні дані.
• Таймкоди й діаризація в Gemini обмежені. 30 хвилин на запис, три мовці надійно, а пословні таймкоди за документацією можуть знизити загальну точність.
• Статус і умови можуть змінитися. Changelog називає модель GA, сторінка моделей — Stable, анонс — прев’ю. Безкоштовний рівень і ціни Google може переглянути.
• Рейтинг застаріває за тижні. З 26 серпня по 10 жовтня 2026 року Gemini 3.5 Transcribe випала з п’ятірки Artificial Analysis, не змінивши власного результату.
• Термін whisper-1. Після 26 лютого 2027 року інтеграції на хмарному Whisper перестануть працювати, а разом із ним піде й gpt-4o-transcribe-diarize.

Найшвидше в цій статті застаріють ціни, місце в рейтингу та статус GA чи прев’ю. Свіжі дані — на сторінці прайсу Gemini API, у рейтингу Artificial Analysis та в списку моделей, які виводить OpenAI.

Часті запитання про Gemini 3.5 Transcribe і Whisper

Gemini 3.5 Transcribe краща за Whisper для української мови?

Невідомо. Англійською Gemini 3.5 Transcribe помиляється у 2,6% слів проти 4,1–4,5% у Whisper large-v3, але незалежного заміру для української ми на 7 листопада 2026 року не знайшли. Google публікує лише загальну цифру 5,04% за набором провідних мов. Для Whisper large-v3 українською є оцінка 6,28%. Порівнювати варто на власних записах.

Скільки коштує розшифровка години аудіо через Gemini 3.5 Transcribe?

Близько $0,30 за годину на платному рівні Gemini API за прайсом на 7 листопада 2026 року: $2 за мільйон токенів аудіо та $12 за мільйон токенів тексту, що Google оцінює в ~$0,005 за хвилину. Потокова версія Live коштує близько $0,009 за хвилину, тобто приблизно $0,54 за годину. Безкоштовний рівень є, але з передаванням даних Google.

Чи можна користуватися Gemini 3.5 Transcribe безкоштовно і чи безпечно це для інтерв’ю?

Безкоштовно можна: на безкоштовному рівні Gemini API вхід і вихід не тарифікуються. Але за умовами Google використовує такі записи для покращення продуктів, а їх можуть читати люди-рецензенти. Для інтерв’ю з джерелом і робочих записів підключіть платний ключ (близько $0,30 за годину) або розшифровуйте локальним Whisper. Використовувати Gemini API в клінічній практиці умови Google забороняють.

Чи розуміє Gemini 3.5 Transcribe, хто говорить, і скільки мовців тримає?

Так, модель має діаризацію в режимі verbatim. Документація обіцяє до восьми мовців, але від трьох і більше розмітка експериментальна, а анонс Google говорить про трьох. З діаризацією запис обмежено 30 хвилинами, режим smart і власний словник при цьому недоступні. Для зустрічей на 4–10 людей надійніший ElevenLabs Scribe v2 з підтримкою до 32 мовців.

Чи закриють Whisper і чи доведеться переходити?

Закриють лише хмарний whisper-1: OpenAI видаляє його з API 26 лютого 2027 року разом із gpt-4o-transcribe, gpt-4o-mini-transcribe і gpt-4o-transcribe-diarize. Відкриті ваги Whisper під ліцензією MIT лишаються, їх можна запускати локально скільки завгодно. Користувачам whisper-1 треба до лютого обрати заміну: gpt-transcribe, Gemini 3.5 Transcribe або інший сервіс.

Чим Gemini 3.5 Transcribe відрізняється від ElevenLabs Scribe v2?

Англійською Scribe v2 точніший: 2,2% помилок проти 2,6% у Gemini за Artificial Analysis на 7 листопада 2026 року, і дешевший — $0,22 за годину проти ~$0,30. Scribe приймає записи до 10 годин і розрізняє до 32 мовців. Gemini має режим smart з очищенням тексту й автовизначення 85+ локалей, але ліміт 30 хвилин із діаризацією.