Przejdź do treści

Spotkania

Transkrypcja spotkań po polsku: jak działa i ile kosztuje

Transkrypcja spotkań po polsku krok po kroku: jak działa model AI, trzy sposoby nagrywania, ceny za godzinę audio, jakość nagrania, prywatność i RODO.

Zespół MantregoOpublikowano 12 min czytania

Spis treści
  1. Jak działa transkrypcja AI
  2. Model rozpoznawania mowy
  3. Dlaczego cisza daje zmyślone zdania
  4. Trzy sposoby nagrywania
  5. Bot w spotkaniu
  6. Nagranie z komputera
  7. Nagranie w aplikacji spotkania
  8. Jakość po polsku: co ją psuje
  9. Koszty: abonament a cena za godzinę audio w API
  10. Ceny w API (odczyt 7 października 2026)
  11. Przykład: ile kosztuje miesiąc spotkań
  12. Co jest w abonamencie
  13. Transkrypcja spotkań po polsku na własnym komputerze
  14. Kto mówi: podział na mówców
  15. Prywatność i RODO
  16. Jak przygotować spotkanie do dobrej transkrypcji
  17. Jak sprawdzić podsumowanie AI, zanim wyślesz je klientowi
  18. Transkrypcja czy notatka: co wysłać klientowi
  19. Jak wybrać narzędzie: lista kryteriów
  20. Nagraj spotkanie z komputera i dostań podsumowanie z zadaniami

Transkrypcja spotkań po polsku działa dziś w trzech krokach: nagrywasz dźwięk rozmowy, model rozpoznawania mowy zamienia go na tekst, a model językowy może z tego tekstu przygotować podsumowanie. Sama transkrypcja w API dostawców kosztuje od kilku do kilkudziesięciu centów za godzinę nagrania. Najwięcej zależy od jakości dźwięku i od tego, jak nagrywasz, a największe ryzyka to błędy w liczbach i nazwach, zdania wymyślone przez model przy ciszy oraz dane, które trafiają do zewnętrznego dostawcy. Poniżej opisujemy każdy z tych elementów.

Ostatnia weryfikacja faktów: 7 października 2026. Ceny API pochodzą z cenników dostawców z tego dnia i mogą się zmienić.

Jak działa transkrypcja AI

Model rozpoznawania mowy

Współczesne narzędzia do transkrypcji korzystają z modeli uczonych na dużych zbiorach nagrań. Dobrze opisanym przykładem jest Whisper firmy OpenAI. Autorzy w artykule z 2022 r. podają, że model trenowano na 680 000 godzin nagrań w wielu językach i do wielu zadań. Dzięki temu jeden model rozpoznaje mowę w wielu językach, także po polsku, bez osobnego treningu dla każdego z nich.

Model dostaje plik audio, dzieli go na krótkie odcinki i dla każdego przewiduje najbardziej prawdopodobny tekst. Nie rozumie rozmowy tak jak człowiek: nie wie, kto jest klientem, jaki jest budżet ani jak pisze się nazwa produktu. Zapisuje to, co usłyszał, w formie, która wydaje mu się najbardziej prawdopodobna.

Whisper i jego wersje są dostępne publicznie. Można je uruchomić na własnym komputerze albo skorzystać z API dostawców, takich jak Groq czy OpenAI, które uruchamiają model na swoich serwerach.

Dlaczego cisza daje zmyślone zdania

Karta modelu Whisper large-v3-turbo opisuje wprost, że przewidywania mogą zawierać tekst, który w nagraniu w ogóle nie padł, i nazywa to halucynacjami. Przy pracy nad Mantrego widzieliśmy to przy fragmentach bez mowy: długiej ciszy, przerwie, szumie albo muzyce. Model, zamiast zwrócić pusty wynik, potrafi wstawić krótkie zdanie, które brzmi naturalnie, ale nikt go nie wypowiedział.

Dlatego dobre narzędzie nie wysyła do transkrypcji samej ciszy, a Ty przy przeglądaniu tekstu zwracasz szczególną uwagę na miejsca, w których rozmowa się urywała.

Trzy sposoby nagrywania

Zanim wybierzesz narzędzie, zdecyduj, jak chcesz nagrywać. Od tego zależą wymagania co do zgody, jakość dźwięku i to, czy nagrasz spotkanie pod swoją nieobecność.

SposóbJak działaMocne stronyOgraniczenia
Bot w spotkaniuusługa dołącza do rozmowy jako dodatkowy uczestniknagrywa także wtedy, gdy Cię nie ma; jedna konfiguracja dla całego zespołuwidoczny uczestnik, którego trzeba wpuścić; może być blokowany przez zasady firmy klienta
Nagranie z komputeraaplikacja na Twoim komputerze nagrywa mikrofon i dźwięk systemunie dodaje nikogo do rozmowy; działa z każdą aplikacją spotkańwymaga Twojej obecności i komputera z aplikacją
Nagranie w aplikacji spotkaniawbudowana funkcja Teams, Meet czy Zoomnagrywanie jest funkcją samej aplikacji spotkań, więc działa według jej zasad i uprawnieńzależy od planu i uprawnień w danej aplikacji; plik trzeba potem przenieść do transkrypcji

Bot w spotkaniu

Fireflies.ai opisuje w swoim poradniku, że jego asystent prosi o dołączenie do spotkania jako uczestnik i wchodzi do rozmowy jak każda inna osoba. Taki model sprawdza się w zespołach, które chcą mieć nagranie każdego spotkania z kalendarza, także tych, na których nie ma osoby odpowiedzialnej za notatki. Minusem jest dodatkowy uczestnik, którego klient widzi na liście i o którego pyta.

Nagranie z komputera

Aplikacja na komputerze nagrywa Twój mikrofon i dźwięk odtwarzany przez system, czyli głosy rozmówców. Nikt nowy nie pojawia się w spotkaniu, a nagranie można od razu przypisać do klienta. Ten sposób nie zadziała, gdy nie bierzesz udziału w rozmowie. Szczegółowy scenariusz pokazujemy we wpisie nagrywanie spotkań bez bota.

Nagranie w aplikacji spotkania

Teams, Meet i Zoom mają własne nagrywanie, zależnie od planu i ustawień organizacji. Plusem jest to, że nagrywanie jest częścią narzędzia, którego i tak używacie, a sposób informowania uczestników opisuje dokumentacja tej aplikacji. Minusem jest dodatkowy krok: plik trzeba pobrać i przekazać do transkrypcji, jeśli wbudowana transkrypcja nie obsługuje polskiego na potrzebnym poziomie.

Jakość po polsku: co ją psuje

Model obsługujący polski to dopiero połowa sukcesu. Druga połowa to dźwięk. Co psuje transkrypcję:

  • Mikrofon daleko od ust. Mikrofon laptopa zbiera echo pokoju, klawiaturę i wentylator. Zestaw słuchawkowy daje wyraźniejszy głos.
  • Nakładające się głosy. Gdy dwie osoby mówią jednocześnie, model zapisuje fragmenty obu wypowiedzi albo pomija jedną.
  • Rozmówcy w jednej sali przy jednym mikrofonie. Osoby siedzące dalej są słabiej słyszalne i ich wypowiedzi wypadają z tekstu.
  • Szum i muzyka w tle. Utrudniają rozpoznanie i zwiększają ryzyko zmyślonych zdań w przerwach.
  • Nazwy własne. Nazwy marek, produktów, kampanii i nazwiska model zapisuje fonetycznie albo zamienia na podobnie brzmiące słowa.
  • Liczby i daty. „Piętnaście” i „pięćdziesiąt” brzmią podobnie przy słabym połączeniu. Każdą liczbę w transkrypcji sprawdzaj.
  • Skróty branżowe i angielskie wtrącenia. ROAS, CPC czy „lead” w polskim zdaniu mogą zostać zapisane różnie.

Jeśli narzędzie pozwala wybrać język, ustaw polski zamiast automatycznego wykrywania. Gdy rozmowa jest w całości po polsku, wymuszenie języka zmniejsza ryzyko, że fragment zostanie potraktowany jako inny język.

Koszty: abonament a cena za godzinę audio w API

Za transkrypcję płaci się na dwa sposoby: abonament w aplikacji albo opłata za minutę lub godzinę nagrania w API dostawcy.

Ceny w API (odczyt 7 października 2026)

Dostawca i modelCena według cennikaGodzina nagrania
Groq, whisper-large-v3-turbo0,04 USD za godzinę0,04 USD
Groq, whisper-large-v30,111 USD za godzinę0,111 USD
OpenAI, gpt-4o-mini-transcribe0,003 USD za minutę0,18 USD
OpenAI, gpt-transcribe0,0045 USD za minutę0,27 USD
OpenAI, gpt-4o-transcribe0,006 USD za minutę0,36 USD
OpenAI, Whisper0,006 USD za minutę0,36 USD

Ceny różnią się kilkukrotnie między modelami, ale nawet najdroższy z wymienionych kosztuje poniżej pół dolara za godzinę nagrania. Kolumna „godzina nagrania” to nasze przeliczenie ceny za minutę razy 60. Ceny są w dolarach, według cenników dostawców, bez przeliczenia na złote. Groq nalicza minimum 10 sekund za każde zapytanie, a w planie darmowym przyjmuje pliki do 25 MB. OpenAI przyjmuje pliki do 25 MB.

Przykład: ile kosztuje miesiąc spotkań

Załóżmy, że manager prowadzi 20 spotkań po 45 minut w miesiącu. To 15 godzin nagrań. Koszt samej transkrypcji w API według cen z tabeli:

ModelWyliczenieKoszt miesięcznie
Groq, whisper-large-v3-turbo15 h x 0,04 USD0,60 USD
OpenAI, gpt-4o-mini-transcribe900 min x 0,003 USD2,70 USD
OpenAI, Whisper900 min x 0,006 USD5,40 USD

Do tego dochodzi koszt podsumowań, liczony przez model językowy według liczby tokenów, oraz praca, którą wykonuje aplikacja. Wniosek: sama zamiana mowy na tekst jest tania, a o wyborze narzędzia decydują raczej wygoda, jakość podsumowań, integracje i zasady ochrony danych.

Co jest w abonamencie

W abonamencie aplikacji do notatek ze spotkań płacisz za całość, a nie tylko za transkrypcję: nagrywanie, podział na fragmenty, ponawianie przy błędach, podsumowanie przez model językowy, przechowywanie notatek, wyszukiwanie i integracje. Przy porównaniu narzędzi licz koszt na osobę i na miesiąc, z uwzględnieniem limitu minut, a nie tylko cenę za godzinę audio.

Własny klucz API ma sens, gdy nagrywasz dużo i chcesz płacić dostawcy bezpośrednio. Pamiętaj wtedy, że to Ty jesteś stroną umowy z dostawcą i odpowiadasz za koszty oraz ustawienia danych na swoim koncie.

Transkrypcja spotkań po polsku na własnym komputerze

Model Whisper można uruchomić lokalnie, na przykład programem whisper.cpp, który jest portem modelu napisanym w C i C++ na licencji MIT. Nagranie nie opuszcza wtedy komputera, a po pobraniu modelu transkrypcja działa bez internetu.

Ta droga ma swoje koszty. Model zajmuje setki megabajtów, a przepisywanie obciąża procesor. W naszym pomiarze na jednym komputerze z procesorem Intel 13. generacji, bez karty graficznej, 30 sekund mowy przepisało się w około 9-10 sekund; przy tym tempie godzina nagrania to kilkanaście minut pracy procesora, a słabsze komputery potrzebują więcej. Lokalnie trudniej też zrobić podsumowanie, bo wymaga ono dodatkowego modelu językowego. Dlatego lokalna transkrypcja dobrze pasuje do krótkich nagrań i dyktowania. W Mantrego lokalnie działa dyktowanie w aplikacji Windows, a spotkania i podsumowania przechodzą przez serwer.

Kto mówi: podział na mówców

Sama transkrypcja to ciągły tekst. Informacja, kto co powiedział, wymaga osobnej funkcji, nazywanej diaryzacją. Część dostawców oferuje ją jako osobny model; OpenAI wymienia w dokumentacji model gpt-4o-transcribe-diarize. Przy wyborze narzędzia sprawdź, czy podział na mówców jest dostępny po polsku i jak radzi sobie z osobami mówiącymi jednocześnie.

Jeśli narzędzie nie dzieli tekstu na mówców, pomaga dyscyplina na spotkaniu: prowadzący zwraca się do osób po imieniu („Marta, jak to wygląda po waszej stronie?”), a podsumowanie i tak przypisuje zadania do konkretnych osób.

Prywatność i RODO

Nagranie spotkania, na którym słychać uczestników, zawiera ich dane osobowe. Przy transkrypcji w chmurze plik trafia do dostawcy, który staje się podmiotem przetwarzającym. Z tego wynikają cztery obowiązki: podstawa prawna nagrania (art. 6 RODO), poinformowanie uczestników (art. 13), umowa powierzenia z dostawcą (art. 28) i podstawa przekazania danych, jeśli dostawca przetwarza je poza Europejskim Obszarem Gospodarczym (rozdział V).

Przed wyborem dostawcy sprawdź w jego dokumentacji trzy rzeczy:

PytanieGroq (odczyt 7.10.2026)OpenAI API (odczyt 7.10.2026)
Czy przechowuje dane z zapytańdomyślnie nie przechowuje danych z zapytań inferencjidla transkrypcji dokumentacja podaje brak przechowywania logów
Czy trenuje modele na danychdokumentacja „Your Data” tego nie rozstrzygaod 1 marca 2023 r. nie, chyba że klient wyrazi zgodę
Gdzie są daneprzechowywane dane klientów w Google Cloud w USAdostępne regiony, m.in. USA i Europa

Szczegóły prawne, z przykładową formułą informacji dla uczestników, opisujemy we wpisie nagrywanie spotkań a RODO. To ogólna informacja, a nie porada prawna.

Jak przygotować spotkanie do dobrej transkrypcji

Najtańszy sposób na lepszą transkrypcję to lepsze nagranie. Przed ważnym spotkaniem:

  1. Poinformuj uczestników o nagrywaniu już w zaproszeniu, a na początku rozmowy zapytaj o zgodę.
  2. Załóż zestaw słuchawkowy zamiast korzystać z mikrofonu i głośników laptopa. Unikniesz echa i podwójnego nagrania głosu rozmówców.
  3. Wycisz powiadomienia i zamknij karty, które mogą odtworzyć dźwięk.
  4. Jeśli kilka osób siedzi w jednej sali, użyj mikrofonu konferencyjnego na środku stołu albo poproś, żeby każdy mówił z własnego komputera.
  5. Na początku rozmowy przedstawcie się z imienia i roli. Ułatwi to późniejsze przypisanie zadań.
  6. Nazwy własne, które padną w rozmowie (produkty, kampanie, adresy stron), wpisz wcześniej do agendy. Po spotkaniu łatwiej poprawić je w transkrypcji.
  7. Prowadź rozmowę tak, żeby nie mówić jednocześnie. Prowadzący udziela głosu i podsumowuje każdy punkt jednym zdaniem.
  8. Na koniec przeczytaj na głos listę ustaleń i zadań. To zdanie trafi do transkrypcji w czystej formie i ułatwi podsumowanie.

Jak sprawdzić podsumowanie AI, zanim wyślesz je klientowi

Podsumowanie powstaje z transkrypcji, więc dziedziczy jej błędy i dodaje własne: model językowy może uznać propozycję za decyzję albo pominąć ustalenie z ostatniej minuty. Przed wysłaniem sprawdź:

  1. Liczby, kwoty i daty, porównując je z transkrypcją.
  2. Nazwy własne i nazwiska.
  3. Czy decyzje są decyzjami, a nie luźnymi pomysłami z rozmowy.
  4. Czy zadania mają właściwe osoby odpowiedzialne, także po stronie klienta.
  5. Czy nic ważnego nie padło przed włączeniem lub po wyłączeniu nagrania.
  6. Fragmenty po przerwach i ciszy, gdzie model mógł wstawić zdanie, którego nikt nie powiedział.

Dobrze, żeby podsumowanie miało stałą strukturę: opis, decyzje, otwarte pytania, zadania. Taki układ łatwo sprawdzić i porównać z ręczną notatką. Szablon opisujemy we wpisie notatki ze spotkania: szablon.

Transkrypcja czy notatka: co wysłać klientowi

Pełnej transkrypcji nie warto wysyłać klientowi. Godzina rozmowy to kilka tysięcy słów z powtórzeniami, dygresjami i błędami rozpoznania, a klient szuka trzech rzeczy: co ustaliliśmy, kto co robi i do kiedy. Wysyłaj notatkę z decyzjami i zadaniami, sprawdzoną przez osobę, która była na spotkaniu.

Transkrypcja przydaje się wewnętrznie. Gdy ktoś za miesiąc zapyta, co dokładnie klient powiedział o budżecie, wyszukasz to w tekście szybciej niż w nagraniu. Jeśli klient poprosi o transkrypcję, przejrzyj ją przed wysłaniem: popraw nazwy własne i usuń fragmenty sprzed oficjalnego początku spotkania. Pamiętaj też o okresie przechowywania, który podałeś uczestnikom.

Jak wybrać narzędzie: lista kryteriów

KryteriumPytanie do sprawdzenia
Sposób nagrywaniabot, nagranie z komputera czy plik z aplikacji spotkania?
Język polskiczy można wymusić język polski i jak wypada test na Twoim nagraniu?
Systemyczy działa na Twoim systemie (Windows, Mac, telefon) i w przeglądarce?
Limitile minut miesięcznie jest w planie i ile trwa najdłuższe nagranie?
Podsumowanieczy wyodrębnia decyzje i zadania, czy tylko streszcza?
Daneczy dostawca przechowuje nagrania, gdzie i jak długo, czy jest umowa powierzenia?
Zgodaczy narzędzie przypomina o poinformowaniu uczestników przed nagraniem?
Integracjeczy zadania trafiają tam, gdzie pracuje zespół, i czy notatka jest przypisana do klienta?
Cenakoszt na osobę i miesiąc przy Twojej liczbie spotkań

Najlepszy test to jedno prawdziwe spotkanie (za zgodą uczestników) nagrane w dwóch narzędziach i porównanie wyników. Porównanie narzędzi z botem i bez bota znajdziesz we wpisie alternatywy dla Fireflies i tl;dv, a przygotowanie rozmowy, które ułatwia późniejszą notatkę, we wpisie agenda spotkania z klientem.

Nagraj spotkanie z komputera i dostań podsumowanie z zadaniami

Mantrego nagrywa spotkania z komputera, bez bota w rozmowie. Aplikacja Windows rejestruje mikrofon i dźwięk systemu, dzieli nagranie na fragmenty po około 45 sekund i wysyła je do transkrypcji: domyślnie przez Groq, a z własnym kluczem także przez OpenAI. Po rozmowie dostajesz podsumowanie z opisem, decyzjami, otwartymi pytaniami i propozycjami zadań, a nagrania nie trzeba przenosić do innego narzędzia. W ustawieniach transkrypcji każdy dostawca ma własny klucz, model transkrypcji, model podsumowania i język, więc możesz wymusić polski. Zaznaczone propozycje zadań trafiają na listę zadań klienta, a notatkę pobierzesz jako TXT lub Markdown i po redakcji wyślesz uczestnikom. Przed startem zaznaczasz dwie zgody, a wykrycie spotkania w Meet, Teams, Zoom, Webex czy Slack kończy się pytaniem, nie nagraniem. Jak działa samo wykrywanie, opisujemy we wpisie wykrywanie spotkań Meet, Teams i Zoom.

Granice: Mantrego nie nagra spotkania pod Twoją nieobecność i nie działa na Macu ani iOS. Plan Free obejmuje 120 minut transkrypcji w miesiącu i nagrania do 30 minut. Szczegóły w poradnikach jak nagrać spotkanie i dostać podsumowanie z zadaniami i prywatność i dostawcy AI.

Załóż konto i nagraj pierwsze spotkanie z komputera. Przez 14 dni masz plan Team bez karty.

Najczęstsze pytania

Czy AI dobrze rozpoznaje język polski?
Modele takie jak Whisper są wielojęzyczne i obsługują polski. Jakość zależy przede wszystkim od nagrania: mikrofonu, nakładających się głosów, szumu i nazw własnych. Transkrypcję zawsze warto przejrzeć, szczególnie liczby, daty i nazwiska.
Ile kosztuje transkrypcja godziny nagrania?
W API dostawców to od kilku centów do kilkudziesięciu centów za godzinę audio. Według cenników z 7 października 2026 r. Groq liczy 0,04 USD za godzinę modelem whisper-large-v3-turbo, a OpenAI od 0,003 USD za minutę. Abonament w aplikacji obejmuje więcej: nagrywanie, podsumowania i przechowywanie notatek, więc porównuj koszt całości.
Czy do transkrypcji potrzebny jest bot w spotkaniu?
Nie. Bot to jeden z trzech sposobów nagrywania. Można też nagrać dźwięk z własnego komputera albo użyć nagrywania wbudowanego w aplikację spotkania. Każdy sposób ma inne wymagania co do zgody i dostępu.
Czy nagranie trafia na serwer dostawcy?
Przy transkrypcji w chmurze tak: plik audio jest wysyłany do dostawcy, który zwraca tekst. Sprawdź w jego dokumentacji, czy przechowuje dane i czy używa ich do trenowania modeli. Przy transkrypcji lokalnej, na komputerze, nagranie nie opuszcza urządzenia.

Źródła

  1. Radford i in., Robust Speech Recognition via Large-Scale Weak Supervision (arXiv 2212.04356)
  2. OpenAI: karta modelu Whisper large-v3-turbo (Hugging Face)
  3. Groq: Speech to Text, dokumentacja i ceny
  4. Groq: Your Data in GroqCloud
  5. OpenAI: Speech to text, dokumentacja
  6. OpenAI: cennik API
  7. OpenAI: Data controls in the OpenAI platform
  8. Fireflies.ai: How to Invite the Fireflies AI Notetaker to Your Meetings
  9. Rozporządzenie (UE) 2016/679 (RODO), tekst polski, EUR-Lex
  • spotkania
  • transkrypcja
  • AI