Na 199 nagraniach wyraźnej polskiej mowy Transkrybator źle zapisał 3,9 % słów. Whisper large-v3, otwarty model, na którym działa wiele darmowych narzędzi, pomylił się w 4,9 %. Gemini od Google był w polskim lepszy od obu: Flash 3,1 %, Pro 2,5 %. Test przeprowadziliśmy 14 października 2026 w siedmiu językach; poniżej znajdziesz wszystkie wyniki i dokładny opis metody.

Co znaczy 3,9 % błędnych słów

Miara nazywa się WER (word error rate): odsetek słów, które człowiek musi poprawić, usunąć lub dopisać, żeby transkrypcja zgadzała się z oryginałem. 3,9 % to około 4 poprawki na 100 słów. Im niższa liczba, tym lepiej.

W polskim każda zła końcówka liczy się jako całe błędne słowo: „decyzją” zamiast „decyzji” to jeden błąd, choć zdanie dalej jest zrozumiałe. Dlatego WER w językach z przypadkami jest zwykle wyższy niż w angielskim, nawet gdy tekst jest w pełni użyteczny.

Wyniki dla polskiego

Narzędzie Błędnych słów Zakres 95 %
Transkrybator 3,9 % 3,0–4,9 %
Whisper large-v3 4,9 % 4,1–5,8 %
Gemini Flash 3,1 % 2,1–4,4 %
Gemini Pro 2,5 % 1,9–3,3 %

Polski to wyjątek w naszym teście. W innych językach Whisper robi 2–3 razy więcej błędów, a w polskim jest blisko: Transkrybator był lepszy w 98 % z 1000 powtórnych losowań (patrz metoda niżej), ale różnica to tylko jeden punkt procentowy. Oba modele Gemini były w polskim lepsze od nas: Flash o mniej więcej punkt, Pro o około półtora punktu. Mówimy to wprost: w polskim Gemini jest dokładniejszy.

Wszystkie siedem języków

Ten sam sposób i tę samą liczbę nagrań zastosowaliśmy we wszystkich językach naszych stron. Odsetek błędnych słów, im mniej, tym lepiej:

Język Nagrań Transkrybator Whisper large-v3 Gemini Flash Gemini Pro
słoweński 195 8,7 % 20,2 % 8,1 % 7,5 %
chorwacki 199 5,5 % 10,9 % 5,6 % 4,8 %
czeski 192 4,3 % 11,5 % 3,4 % 3,4 %
słowacki 200 2,8 % 9,5 % 3,2 % 2,7 %
polski 199 3,9 % 4,9 % 3,1 % 2,5 %
rumuński 200 3,1 % 8,3 % 3,9 % 2,8 %
bułgarski 197 4,3 % 12,1 % 6,2 % 4,6 %

W skrócie: w sześciu językach Transkrybator robi 2–3 razy mniej błędów niż Whisper, w polskim różnica jest mniejsza. Z Gemini Flash jesteśmy na równi w słoweńskim, chorwackim i słowackim, lepsi w bułgarskim i rumuńskim, a Flash jest lepszy w czeskim i polskim. Gemini Pro jest o około punkt lepszy w słoweńskim, chorwackim, czeskim i polskim, w pozostałych językach jest remis.

Porównuj narzędzia w obrębie jednego języka, nie języki między sobą: słoweńskie nagrania były na przykład najtrudniejsze dla wszystkich narzędzi.

Czego ten test nie mówi

  • Nagrania to wyraźnie czytana mowa. Jedna osoba, cichy pokój, zdania z Wikipedii. Spotkania z kilkoma osobami, rozmowy telefoniczne, hałas i gwara dają więcej błędów wszystkim narzędziom. Ile więcej, tego ten test nie mierzy.
  • Liczby zapisane inaczej liczą się jako błąd. „2026” i „dwa tysiące dwadzieścia sześć” to w teście różne słowa. To podnosi wynik wszystkim narzędziom tak samo.
  • Dokładność to nie wszystko. Transkrypcja z oznaczeniem mówców, znacznikami czasu i napisami SRT oszczędza więcej pracy niż punkt mniej błędów, jeśli i tak poprawiasz tekst.

Jeśli chcesz wiedzieć, jak narzędzie radzi sobie z twoimi nagraniami, weź 2–3 minuty typowego nagrania, przepisz je i policz poprawki. W Transkrybatorze pierwszy plik do 30 minut jest za darmo.

Jak testowaliśmy

  • Nagrania: część testowa zbioru FLEURS (Google, licencja CC BY 4.0), w którym rodzimi użytkownicy języka czytają zdania z Wikipedii. Dla każdego języka stałą funkcją skrótu wybraliśmy około 200 nagrań, razem 33–41 minut dźwięku na język. Dla polskiego 199 nagrań, czyli 33 minuty (jedno nagranie odpadło, bo nie każde narzędzie je ukończyło).
  • Transkrybator: z tymi samymi ustawieniami co w aplikacji, czyli z modelem ElevenLabs Scribe v2, którego używamy do rozpoznawania mowy.
  • Whisper large-v3: otwarty model OpenAI, uruchomiony przez faster-whisper, beam 5.
  • Gemini: przez API Google, wersje gemini-3.8-flash i gemini-3.1-pro-preview.
  • Ocena: wszystko małymi literami, bez interpunkcji, potem odsetek błędnych słów ze wszystkich nagrań razem. Zakres pokazuje, gdzie wypadał wynik w 95 % z 1000 powtórnych losowań nagrań.
  • Data: 14 października 2026. Niektórzy lektorzy zaczynali zdanie od nowa; to daje wszystkim narzędziom te same błędy.

Wszystkie transkrypcje i skrypt do powtórzenia testu mamy zapisane, więc możemy go powtórzyć, gdy modele się zmienią.