Przejdź do treści

News & analizy

Gemini 3.1 Flash TTS: co potrafi, ile kosztuje i czy zastąpi ludzi

Zaktualizowano: Autor: Andrzej Niemiec11 min czytania

Gemini 3.1 Flash TTS mówi po polsku, ale w dokumentacji Google ma status legacy preview. Sprawdzamy, co realnie potrafi, ile kosztuje i czy zastąpi konsultantów w call center.

Spis treści
  1. Czy Gemini 3.1 Flash TTS mówi po polsku?
  2. Czym jest Gemini 3.1 Flash TTS i kiedy go ogłoszono?
  3. Dlaczego dokumentacja nazywa ten model wersją legacy?
  4. Ile kosztuje Gemini 3.1 Flash TTS?
  5. Czy Gemini 3.1 Flash TTS zastąpi ludzi w polskich call center?
  6. Czego Gemini 3.1 Flash TTS nie potrafi?
  7. Jak zacząć pracę z Gemini 3.1 Flash TTS?
  8. Najczęstsze pytania
  9. Źródła

Czy Gemini 3.1 Flash TTS mówi po polsku?

Tak. Dokumentacja Google Cloud wymienia polski (kod pl-PL) wśród języków obsługiwanych przez Gemini-TTS [1]. Obecność języka na liście oznacza, że model przyjmie polski tekst i zwróci audio. Nie jest dowodem, że wymowa, akcent i nazwy własne brzmią naturalnie w każdym scenariuszu — Google nie publikuje niezależnego pomiaru jakości polskiej mowy. Szerszy opis rodziny modeli i planów subskrypcji znajdziesz na stronie huba Gemini.

Czym jest Gemini 3.1 Flash TTS i kiedy go ogłoszono?

Model ogłoszono 15 kwietnia 2026 r. jako syntezator mowy w public preview, dostępny przez Gemini API, Google AI Studio i Vertex AI [2]. Karta modelu Google DeepMind identyfikuje go jako element rodziny Gemini [3]. Producent wymienia cztery cechy: natural-language audio tags do sterowania tempem, stylem, akcentem i ekspresją, natywną obsługę dialogu wieloosobowego, ponad 70 języków oraz znak wodny SynthID w generowanym audio [4][2].

Audio tags to polecenia zapisane w języku naturalnym, które opisują sposób wypowiedzi. Pozwalają sterować tempem i nastrojem fragmentu tekstu bez nagrywania nowego lektora. To główny argument producenta w porównaniu z klasycznymi syntezatorami, które oferowały wybór głosu i kilka parametrów technicznych, a nie opis stylu wypowiedzi [4].

Dlaczego dokumentacja nazywa ten model wersją legacy?

22 września 2026 r. Google udostępnił w GA modele Gemini 3.8 Flash TTS i Flash-Lite TTS [5]. W dokumentacji z 13 października 2026 r. wersja 3.1 figuruje jako legacy preview, z zaleceniem migracji do 3.8 [6]. Dla zespołu planującego wdrożenie oznacza to prostą konsekwencję: nowy projekt lepiej zaczynać na modelu, który nie jest oznaczony jako starszy, a 3.1 traktować jako punkt odniesienia przy porównaniu jakości.

Nowszy model nie jest wyłącznie kosmetyczną aktualizacją. Gemini 3.8 Flash TTS projektuje głos na podstawie opisu i klonuje go z 30-sekundowego nagrania, a audio rozlicza po 9 USD za 1 mln tokenów [7]. To inny model pracy niż w 3.1, gdzie sterowanie odbywa się tagami w treści.

Ile kosztuje Gemini 3.1 Flash TTS?

Według danych cennikowych dla wersji preview stawki wynoszą 1 USD za 1 mln tokenów wejściowych i 20 USD za 1 mln tokenów audio wyjściowych (stan na październik 2026; to ceny API, nie cena rozmowy z klientem) [8]. Te same wartości podaje dokumentacja modelu [9]. Koszt liczy się od długości tekstu i czasu audio, a nie od liczby połączeń, dlatego kalkulacja dla call center wymaga osobnego przeliczenia tokenów na minuty nagrania.

KryteriumGemini 3.1 Flash TTSGemini 3.8 Flash TTS
Status w dokumentacjilegacy preview od 22.09.2026 [6][5]GA od 22.09.2026 [5]
Cena audio (1 mln tokenów)20 USD [8]9 USD [7]
Sterowanie głosemaudio tags: tempo, styl, akcent, ekspresja [4]projektowanie głosu z opisu i klonowanie z 30 s [7]

Cennik nie jest jedynym kosztem. Do voicebota dochodzą rozpoznawanie mowy, model dialogowy, telefonia i monitoring. Jak liczyć koszt zapytań w API, opisujemy w tekście o webhookach w Gemini API Webhooki w Gemini API.

Czy Gemini 3.1 Flash TTS zastąpi ludzi w polskich call center?

Nie ma na to dowodów. Badanie AVOXI/Metrigy z 2026 r., przeprowadzone wśród 200 liderów contact center, pokazuje model hybrydowy: 55% organizacji już używa AI voice, 92% używa go lub planuje wdrożenie, 67% użytkowników wskazało wsparcie konsultantów, a tylko 17% całkowite zastąpienie pracowników pierwszej linii [10]. Materiały Google potwierdzają dostępność API i Vertex AI, ale nie wskazują wdrożenia w polskiej firmie telekomunikacyjnej [2].

Deklaracje producenta też wymagają ostrożności. Google podaje wynik Elo 1211 w Artificial Analysis [4], ale to benchmark preferencji słuchaczy, a nie test polskich rozmów telefonicznych. Model może brzmieć dobrze w demonstracji i inaczej w nagraniu komunikatu o opóźnionej płatności. Polski rynek opisujemy szerzej w artykule o tym, czy Gemini 3.1 Flash zmieni call center Czy Gemini 3.1 Flash zmiecie call center z mapy Polski?.

Czego Gemini 3.1 Flash TTS nie potrafi?

Model przyjmuje tekst i zwraca audio. Pełny voicebot wymaga dodatkowo rozpoznawania mowy, modelu dialogowego, integracji z CRM i telefonią, autoryzacji, monitoringu oraz mechanizmu przekazania rozmowy człowiekowi. Dokumentacja wersji 3.1 nie wymienia function calling ani Live API dla tego modelu [9].

Znak wodny SynthID [4] ma znaczenie przy publikacji nagrań: pozwala oznaczyć, że audio powstało syntetycznie. To zabezpieczenie przed deepfake, ale też element, który trzeba uwzględnić w komunikacji z odbiorcą.

Jak zacząć pracę z Gemini 3.1 Flash TTS?

Ścieżka jest krótka. Klucz API generuje się w Google AI Studio, a model wybiera po identyfikatorze wersji preview [9]. Tekst do syntezy zawiera audio tags opisujące styl i tempo [4]. Koszt szacuje się, przeliczając długość tekstu na tokeny audio według stawek 1 USD i 20 USD za 1 mln [8].

Przy nowym wdrożeniu należy równolegle sprawdzić Gemini 3.8 Flash TTS, bo to wersja zalecana w dokumentacji [6][5]. Porównanie modeli Flash w zadaniach biznesowych opisuje tekst o Gemini 3.5 Flash Gemini 3.5 Flash kontra konkurencja.

Najczęstsze pytania

Czy Gemini 3.1 Flash TTS jest darmowy?

Materiały opisujące cennik modelu podają wyłącznie stawki płatne: 1 USD za 1 mln tokenów wejściowych i 20 USD za 1 mln tokenów audio wyjściowych [8][9]. Nie potwierdzają one bezpłatnego dostępu do tego syntezatora. Przed wdrożeniem sprawdź aktualny cennik na stronie Google, bo stawki i dostępność modeli zmieniają się wraz z premierami kolejnych wersji.

Czy model obsługuje język polski?

Tak, kod pl-PL jest wymieniony w dokumentacji Gemini-TTS jako język obsługiwany [1]. Nie oznacza to jednak, że jakość polskiej wymowy została niezależnie zmierzona — producent nie publikuje takich wyników, a deklaracje o naturalności trzeba traktować jako opis produktu, nie pomiar [4].

Czym różni się Gemini 3.1 Flash TTS od Gemini 3.8 Flash TTS?

Wersja 3.1 jest oznaczona jako legacy preview i zalecana do migracji [6]. Wersja 3.8 jest w GA od 22 września 2026 r. [5], projektuje głos z opisu, klonuje go z 30-sekundowego nagrania i kosztuje 9 USD za 1 mln tokenów audio [7]. Wersja 3.1 oferuje sterowanie tagami i stawkę 20 USD [4][8].

Czy Gemini 3.1 Flash TTS można wdrożyć w call center?

Można użyć go jako warstwy syntezy mowy, ale nie zastąpi całego systemu obsługi. Potrzebne są rozpoznawanie mowy, logika dialogu, integracja z telefonią i przekazanie rozmowy człowiekowi [9]. Badania wskazują raczej na wsparcie konsultantów niż ich zastąpienie [10].

Jak oznaczone jest audio z modelu?

Google stosuje znak wodny SynthID w generowanym audio [4]. Pozwala on rozpoznać, że nagranie powstało syntetycznie. Przy publikacji nagrania należy poinformować odbiorców, że głos jest generowany.

Źródła

  1. Gemini-TTS (Google Cloud, 2026)
  2. Gemini 3.1 Flash TTS on Google Cloud (Google Cloud, 2026)
  3. Gemini 3.1 Flash Audio – Model Card (Google DeepMind, 2026)
  4. Gemini 3.1 Flash TTS: the next generation of expressive AI speech (Google DeepMind, 2026)
  5. Release notes – Gemini API (Google, 2026)
  6. Models – Gemini API (Google, 2026)
  7. Gemini 3.8 Flash TTS: zaprojektuj głos, a następnie wdróż go (OrcaRouter, 2026)
  8. Gemini 3.1 Flash TTS Preview – API Pricing & Benchmarks (OpenRouter, 2026)
  9. Gemini 3.1 Flash TTS (text-to-speech) preview (Google, 2026)
  10. AI Voice Adoption Tests Global Contact Center Security (Telecom Reseller, 2026)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji