Pół centa za minutę dźwięku, który model usłyszy, i 1,8 centa za minutę tego, który wypowie. Na takie stawki Google wycenił 15 września 2026 Gemini 3.8 Live wraz z wariantem Extended Thinking. Przerobienie godziny nagrania wychodzi przy nich poniżej 70 centów. Rachunek za realną rozmowę będzie jednak wyższy, bo Live API nalicza opłatę za całą dotychczasową historię przy każdej kolejnej turze.
Co dokładnie wyszło i od kiedy można tego użyć
Modele są dwa. Podstawowy jest pomyślany pod skalę i niski koszt. Wariant Extended Thinking dokłada rozumowanie wieloetapowe do zadań, których nie da się załatwić jedną odpowiedzią. Wdrażanie obu rozpoczęło się w dniu ogłoszenia, więc nie wszędzie były dostępne od razu.
Dla programistów oba idą przez Gemini API i Google AI Studio. Poza tym dystrybucja się rozjeżdża. Podstawowy wariant trafia między innymi do Search Live, a Extended Thinking do Gemini Live i do Google Workspace. W Dokumentach dostają go abonenci planów Pro i Ultra, natomiast w Gmailu i Keepie wszyscy abonenci Google AI. Gemini Enterprise ma modele w prywatnej wersji zapoznawczej, a odmianę dla obsługi klienta firma zapowiedziała bez podania daty.
Najważniejsza zmiana użytkowa dotyczy ciągłości wypowiedzi. Model wykonuje wywołania narzędzi i zapytania w tle, nie milknąc na czas oczekiwania. Wtrąca przy tym sygnały, że właśnie coś sprawdza. Rozmowa przestaje się przez to zacinać w miejscach, w których wcześniej zapadała cisza.
Ile naprawdę kosztuje godzina rozmowy
Cennik Gemini API obejmuje oba warianty jedną wspólną tabelą stawek. Minuta dźwięku na wejściu kosztuje 0,005 dolara, minuta na wyjściu 0,018 dolara. Przeliczniki tokenowe stojące za tymi kwotami zebraliśmy w tabeli niżej.
Przełożenie na godzinę wymaga jednego założenia, więc podajemy je otwarcie. Godzina samego słuchania to 30 centów, godzina samego mówienia 1,08 dolara. Przy podziale mowy mniej więcej po połowie wychodzi około 69 centów za godzinę nagrania.
Tu trzeba jednak postawić wyraźne zastrzeżenie, bo inaczej cała ta arytmetyka wprowadza w błąd. Te 69 centów opisuje jednokrotne przerobienie strumienia dźwięku, a nie fakturę za godzinę rozmowy. Dokumentacja Live API nazywa swój model rozliczania narastającym: przy każdej turze naliczane są wszystkie tokeny obecne w oknie kontekstu, więc wcześniejsze audio jest opłacane ponownie. Im dłuższa sesja, tym drożej wychodzi kolejna tura. Ogranicznikiem jest contextWindowCompressionConfig, który po przekroczeniu progu usuwa starsze tokeny z okna.
Po drugiej stronie stawki cennikowe są wyraźnie wyższe. Cennik OpenAI wycenia milion tokenów dźwięku w modelu gpt-realtime-2.1 na 32 dolary przy wejściu i 64 dolary przy wyjściu, wobec 3 i 12 dolarów u Google. Tych stawek nie da się jednak przełożyć wprost na koszt tego samego nagrania, bo każdy dostawca liczy tokeny dźwięku po swojemu. Porównywalna jest stawka minutowa: GPT-Live-1 kosztuje 0,05 dolara za minutę sesji, ale pokrywa wyłącznie warstwę głosową, a model rozumujący w zapleczu i użycie narzędzi są płatne osobno.
Przy wariancie Extended Thinking dochodzi jeszcze jedno. Stawki jednostkowe ma te same, ale tokeny myślenia liczą się do odpowiedzi, więc koszt sesji rośnie tym bardziej, im więcej model rozumuje. Bez danych o własnym ruchu nikt tego z góry nie policzy.
Co model potrafi poza niską ceną
Najmocniejsza z zapowiadanych funkcji dotyczy języków. Model rozpoznaje i przełącza się między 97 językami w trakcie jednej rozmowy, bez przerywania i przestawiania ustawień. Polskiej infolinii obsługującej klientów z Ukrainy, Niemiec i Wielkiej Brytanii może to ograniczyć potrzebę budowania osobnych ścieżek obsługi.
Do tego dochodzi przetwarzanie obrazu w czasie zbliżonym do rzeczywistego, czyli model widzi to, co pokazujesz kamerą, i mówi o tym w trakcie rozmowy.
Wyniki, którymi Google chwali komunikat, warto czytać ostrożnie, bo dobiera je producent. Wariant Extended Thinking dostał 82,6 punktu w Artificial Analysis Speech to Speech Quality Index i pierwsze miejsce w tym zestawieniu. W bankowej odmianie testu agentowego τ-Voice skuteczność spadła jednak do 35,1 procent. Kontrast między tymi liczbami sugeruje, że wysoka jakość samej mowy nie przekłada się automatycznie na skuteczność w zadaniach specjalistycznych.
Co z tego wynika przy budowie asystenta głosowego w Polsce
Dostępność sprawdziliśmy 16 września 2026 i Polska jest na liście krajów obsługiwanych przez Gemini API oraz Google AI Studio. Strona z regionami nie wyodrębnia Unii ani Europejskiego Obszaru Gospodarczego jako kategorii z ograniczeniami. Osobną sprawą pozostaje dostępność funkcji Live w samej aplikacji Gemini, której tą stroną nie da się rozstrzygnąć.
Rachunek za infolinię przy takich stawkach przestaje być pierwszym argumentem przeciw wdrożeniu. Ale policzyć go trzeba na własnych danych, a nie na stawce minutowej. Potrzebna jest liczba tur w typowej rozmowie i ustawienie okna kontekstu, bo to one decydują, ile razy zapłacisz za to samo nagranie. Pisaliśmy już o agencie głosowym Allegro zbudowanym z ElevenLabs, ale tamten komunikat nie ujawnił ani kosztów, ani skali wdrożenia.
Druga pozycja w tym rachunku to integracja. Model musi mieć dostęp do systemu zamówień, bazy klientów i historii zgłoszeń, a to jest praca po stronie zaplecza. Warto też zmierzyć opóźnienie na własnym ruchu, bo stawka za minutę nic nie mówi o tym, ile rozmówca czeka na pierwszą sylabę.
Pierwsza Misja AI · Kodożercy
Pierwszy raz z AI? Zaczynasz od zera.
Pierwsza Misja AI to kurs dla osób bez technicznego przygotowania. Nie musisz pisać kodu ani znać żargonu. Dowiesz się, jak działa AI, jak promptować i jak korzystać z niej w pracy.
Wejdź na pokład →
Podsumowanie
Kto rozważa własnego asystenta głosowego, ma teraz punkt odniesienia w liczbach, a nie w deklaracjach. Stawki producentów da się sprawdzić w kilkanaście minut, zamiast ufać przeliczeniom z relacji. Przy 0,005 dolara za minutę słuchania i 0,018 za minutę mówienia próg wejścia przestaje być pytaniem o budżet. Zostają za to trzy rzeczy, których żaden cennik nie pokaże. Ile tur ma twoja typowa rozmowa, bo przy narastającym rozliczaniu to one mnożą rachunek. Jak ustawisz kompresję okna kontekstu, żeby koszt sesji się nie rozjechał. I ile rozmówca czeka na pierwszą sylabę przy polskiej mowie i polskim ruchu. Dopiero te trzy liczby razem dają prawdziwy koszt godziny.
Newsletter · DevstockAcademy & Kodożercy
Bądź na bieżąco ze światem IT, AI i automatyzacji
Co wtorek: newsy z branży, praktyczne tipy i narzędzia które warto znać. Zero spamu.
