Gemini 3.8 Flash TTS czyta po polsku za ok. 3 zł za godzinę. Od stycznia 2027 stawka się podwoi

Google udostępnił 22 września w Gemini API dwa modele, które zamieniają tekst na mowę: Gemini 3.8 Flash TTS i tańszy Gemini 3.8 Flash-Lite TTS. Dotyczy to firm, które płacą za każde użycie modelu, na przykład przy automatycznej infolinii, czytaniu artykułów na głos albo nagrywaniu szkoleń. Premierę Google opisał w notatkach wydania Gemini API, a stawki podał w cenniku Gemini API.

Oba modele mówią po polsku. Według przewodnika Google po syntezie mowy Flash TTS obsługuje 130 języków, a polski jest na liście. Flash-Lite TTS zna ich 101, wśród nich też polski. Polska figuruje też na liście krajów, w których działa Gemini API.

Ile kosztuje godzina nagrania

Google rozlicza dźwięk w tokenach, czyli porcjach danych, od których liczy się opłata. Sekunda nagrania to 25 tokenów. Godzina daje więc 90 tys. tokenów. Na tej podstawie przeliczyliśmy stawki ze standardowego trybu płatnego planu na złote, po kursie NBP z 23 września (tabela 185/A/NBP/2026, 3,8175 zł za dolara).

Model	Dźwięk, milion tokenów, do 2026-12-31	Od 2027-01-01	Godzina nagrania teraz	Godzina od 2027-01-01
Gemini 3.8 Flash TTS	9 dolarów	18 dolarów	ok. 3,09 zł	ok. 6,18 zł
Gemini 3.8 Flash-Lite TTS	6 dolarów	12 dolarów	ok. 2,06 zł	ok. 4,12 zł
Gemini 3.1 Flash TTS Preview (poprzednik)	20 dolarów	cennik nie podaje zmiany	ok. 6,87 zł	brak danych

Do tego dochodzi opłata za tekst, który model czyta. W obu nowych modelach wynosi 0,50 dolara za milion tokenów do końca roku. Od stycznia będzie to 1 dolar.

Przyjmijmy firmę, która co miesiąc generuje 100 godzin nagrań: komunikaty infolinii i wersje audio artykułów. Z Flash-Lite TTS zapłaci za sam dźwięk ok. 206 zł miesięcznie. Od stycznia ta sama praca będzie kosztować ok. 412 zł. Z poprzednikiem, Gemini 3.1 Flash TTS Preview, firma płaci dziś ok. 687 zł. Stawki innych modeli w złotych zbieramy w cenniku modeli w złotych.

W trybach Batch i Flex oba modele kosztują połowę stawki standardowej. Za milion tokenów dźwięku z Flash TTS płacisz w nich 4,50 dolara do końca roku.

Podwyżka zapisana z góry

Cennik podaje przy każdej pozycji dwie stawki: do 31 grudnia 2026 i od 1 stycznia 2027. Druga jest dwa razy wyższa we wszystkich trybach, także w priorytetowym i przy przechowywaniu danych w pamięci podręcznej. Google nie podaje w cenniku powodu tej zmiany. Jeśli planujesz budżet na 2027 rok, licz od razu według wyższej stawki. Nawet po podwyżce dźwięk z obu nowych modeli będzie tańszy niż z poprzednika. Za tekst wszystkie trzy modele będą wtedy liczyć tyle samo, 1 dolar za milion tokenów.

Google nie wyznaczył daty wyłączenia poprzednika. Na stronie wycofywanych modeli Gemini 3.1 Flash TTS Preview nie ma daty wyłączenia, a jako następców wskazano oba nowe modele. Kilka dni wcześniej Google ograniczył nowym projektom dostęp do modeli Gemini 2.5.

Własne głosy i dane

Modele mają 30 gotowych głosów oraz bibliotekę setek kolejnych, z różnymi językami i akcentami. Głos można też zaprojektować z opisu słownego albo odtworzyć głos konkretnej osoby. Do odtworzenia potrzebne jest nagranie wzorcowe i nagranie ze zgodą tej osoby. Jeden projekt przechowa najwyżej 200 własnych głosów. Każdy z nich jest przechowywany przez rok.

Według tabeli w cenniku w darmowym planie Google używa przesłanych treści do ulepszania swoich produktów, w płatnym nie. Jeśli model ma czytać dane klientów albo odtwarzać głos pracownika, korzystaj z płatnego planu.

Dla programistów

Identyfikatory modeli to gemini-3.8-flash-tts i gemini-3.8-flash-lite-tts. Własne głosy tworzysz przez POST /v1beta/voices, a bibliotekę przeglądasz przez GET /v1beta/voices. Przewodnik wymienia zmiany, które mogą zepsuć kod napisany dla gemini-3.1-flash-tts-preview. Oto trzy z nich. Model czyta tekst dosłownie jako transkrypcję, więc wskazówki w rodzaju „szeptem” przenosisz do speech_metadata.style. W zapytaniu z kilkoma mówcami każda kwestia musi mieć pole speaker w speech_metadata. Zwykłe zapytanie zwraca domyślnie plik WAV z nagłówkiem, a nie surowe PCM (audio/l16). Jeśli dopisywałeś nagłówek sam, usuń ten krok albo ustaw response_format. Według sekcji ograniczeń jedno zapytanie obsłuży najwyżej dwóch mówców z gotowych głosów.

Klucze głosów zapisanych bez przechowywania (store=False) wygasają po 7 dniach.