Nowy model Google do rozmów głosowych. W polskiej wersji cennika go nie ma, a dolary są tam podpisane złotówkami

Google ogłosił 15 września dwa modele do prowadzenia rozmów głosowych i napisał, że są dostępne dla programistów od razu. Polska wersja cennika, opatrzona datą 16 września, nie wymienia żadnego z nich. Wymienia model poprzedni, a w wierszu z ceną wyjściową dolary są podpisane złotówkami. Sprawdzenie tej samej strony po angielsku daje inny obraz.

Modele nazywają się Gemini 3.8 Live i Gemini 3.8 Live Extended Thinking. Zamieniają mowę na mowę bez pośredniego etapu tekstowego, czyli nie spisują wypowiedzi na tekst po to, żeby potem tekst zamienić z powrotem na głos. Przeznaczenie jest jedno: asystenci głosowi, którzy odbierają telefon i coś przy okazji załatwiają.

Dotąd asystent głosowy, który musiał zajrzeć do systemu rezerwacji albo do bazy klientów, robił w rozmowie ciszę. Zmiana, którą producent stawia na pierwszym miejscu, usuwa właśnie tę ciszę.

Wersja z rozszerzonym rozumowaniem idzie dalej i opowiada w trakcie, na jakim etapie jest zadanie. Producent podaje też wyniki testów: pierwsze miejsce w zestawieniu jakości mowy na mowę firmy Artificial Analysis z wynikiem 82,6 oraz 97,7 procent w teście Big Bench Audio. Wyniki pochodzą od producenta i nie zostały przez nikogo niezależnie powtórzone.

Drugą rzeczą wartą odnotowania jest znak wodny SynthID nakładany na cały dźwięk wytworzony przez modele Google. Jest niesłyszalny i ma pozwolić odróżnić nagranie wygenerowane od nagranego. Dla firmy, która puszcza taki głos na infolinię, to jest informacja o tym, że wytwór da się później zidentyfikować.

Cennik interfejsu programistycznego podaje dwie stawki za dźwięk: 0,005 dolara za minutę wejścia, czyli słuchania, i 0,018 dolara za minutę wyjścia, czyli mówienia. Obie stoją w jednym wierszu wspólnym dla Gemini 3.8 Live, Gemini 3.8 Live Extended Thinking i poprzedniego Gemini 3.1 Flash Live Preview. Nowe modele nie są więc droższe od poprzednika.

Policzone na pięciominutowej rozmowie, podzielonej po połowie na słuchanie i mówienie, wychodzi 0,0575 dolara, czyli przy kursie NBP z 16 września około 22 groszy. Sto takich rozmów dziennie przez trzydzieści dni to około 649 złotych. To jest koszt samego modelu. Nie obejmuje telefonii, integracji z systemami firmy ani tokenów tekstowych zużywanych na instrukcje i wywołania narzędzi.

Cennik Gemini API ma polską wersję językową i to ona wyświetla się domyślnie osobie wchodzącej z Polski. Odczytane 16 września, obie wersje różnią się w dwóch miejscach naraz.

• Wersja angielska, z datą aktualizacji 15 września, ma wiersz zatytułowany „Gemini 3.8 Live, Gemini 3.8 Live Extended Thinking, and Gemini 3.1 Flash Live Preview". Wersja polska, z datą aktualizacji 16 września, nie wymienia nowych modeli w ogóle. Ten sam wiersz nosi tam tytuł „Gemini 3.1 Flash Live (wersja testowa)".
• W wersji polskiej cena wejściowa jest podana w dolarach, a cena wyjściowa w złotówkach: „4,50 PLN (tekst)" oraz „12,00 PLN lub 0,018 PLN/min (audio)". Nagłówek kolumny nad tymi liczbami brzmi jednak „Poziom płatny, za 1 mln tokenów w USD".

Druga z tych pomyłek ma skutek liczbowy. Kto zaplanuje budżet z polskiej strony i przeczyta 0,018 złotówki za minutę mówienia, policzy tę część rachunku prawie czterokrotnie za nisko, bo prawdziwa stawka to 0,018 dolara, czyli przy kursie z 16 września niecałe siedem groszy.

Producent podaje, że model rozpoznaje i przełącza się w trakcie rozmowy między 97 językami. Polski jest na tej liście, w dokumentacji pod kodem „pl". Ogłoszenie nie mówi jednak nic o tym, jak brzmi mowa w poszczególnych językach, a to jest przy asystencie głosowym różnica między produktem a demonstracją.

Na własnym forum Google wisi od 7 sierpnia zgłoszenie dotyczące poprzedniego modelu z tej rodziny. Autor pisze, że model dobiera poprawne polskie słowa, ale wymawia je z angielską fonetyką i intonacją, podczas gdy starsze modele wymawiały je poprawnie. Zgłaszający podaje, że instrukcja systemowa pomaga tylko trochę i nie wytrzymuje dłuższej rozmowy.

Jedyna odpowiedź ze strony Google padła 18 sierpnia i brzmi, że zgłoszenie zostało przekazane odpowiednim zespołom. Do 16 września w wątku nie ma informacji o naprawie. Zgłoszenie dotyczy modelu poprzedniego, a nie nowych, i nie wolno go im przypisywać. Jest natomiast powodem, żeby przed wypuszczeniem polskiego asystenta głosowego posłuchać go samemu, zamiast opierać się na liście języków.