Najlepsze narzędzie do transkrypcji spotkań AI po polsku wybierzesz dopiero po teście na tym samym nagraniu. Notta i Trint oficjalnie wymieniają język polski, a Sonix rozlicza rzeczywistą długość pliku. Porównaj przede wszystkim błędy, oznaczanie rozmówców, limity nagrań, sposób naliczania opłat oraz zasady przetwarzania danych.
Jak zaprojektować uczciwy test transkrypcji spotkań AI
Porównanie AI do transkrypcji spotkań ma sens tylko wtedy, gdy każde narzędzie dostaje identyczne dane. Przygotuj jedno polskie nagranie spotkania, zapisz je w jednym formacie i prześlij tę samą wersję audio do wszystkich usług. Nie porównuj pliku oczyszczonego z szumów w jednym programie z surowym nagraniem w innym.
Do oceny potrzebna jest także ręcznie przygotowana transkrypcja referencyjna. Powinna obejmować wszystkie wypowiedzi, nazwy własne, liczby oraz kolejność mówców. Bez takiego wzorca nie da się rzetelnie obliczyć wskaźnika błędów. Nie można również uczciwie podać czasu obróbki, jeśli nie mierzono tego samego pliku od rozpoczęcia przesyłania do uzyskania gotowego tekstu.
Co mierzyć podczas testu
- czas od rozpoczęcia przesyłania pliku do pojawienia się kompletnej transkrypcji;
- liczbę błędnych słów, nazw własnych i wartości liczbowych;
- poprawność etykiet rozmówców, także przy nakładających się wypowiedziach;
- czy eksport zachowuje znaczniki czasu i strukturę przydatną w programie do notatek ze spotkań.
Test powinien obejmować polską mowę w warunkach typowych dla firmowego spotkania: kilka głosów, przerwania, skróty branżowe i zmiany tematu. Warto zapisać osobno wynik dla spokojnej wypowiedzi oraz dla fragmentu, w którym uczestnicy mówią jednocześnie. Sama deklaracja funkcji nie dowodzi, że narzędzie poprawnie przypisze każdą wypowiedź.
Takie podejście pozwala oddzielić deklarowane możliwości od rzeczywistej jakości. Notta wymienia polski wśród 58 języków transkrypcji monojęzycznej oraz 23 języków transkrypcji dwujęzycznej, natomiast Trint wymienia polski wśród języków transkrypcji i tłumaczenia. To dobry punkt wyjścia, ale nie zastępuje testu na własnych nagraniach.
Wskaźnik błędów: prosta metoda do powtórzenia
Najbardziej użytecznym miernikiem jakości rozpoznawania mowy jest WER, czyli odsetek błędnych słów względem transkrypcji referencyjnej. Oblicza się go według wzoru: WER = (liczba podstawień + usunięć + wstawek) / liczba słów w transkrypcji referencyjnej × 100%.
Podstawienie oznacza, że system rozpoznał inne słowo niż wypowiedziane. Usunięcie występuje, gdy słowo z nagrania nie pojawia się w tekście, a wstawka — gdy narzędzie dodało słowo, którego nie było. Dla porównania kilku usług wszystkie trzy rodzaje błędów trzeba liczyć według tej samej zasady.
Sam WER nie opisuje jednak całego ryzyka. Osobno zaznacz błędy nazwisk, nazw firm, produktów, skrótów oraz kwot. Jedna pomylona nazwa własna może być ważniejsza dla protokołu niż kilka błędów w słowach pomocniczych. W osobnej kategorii zapisuj też błędne przypisanie mówcy, ponieważ poprawny tekst z niewłaściwą etykietą może prowadzić do złych wniosków.
Wynik czasowy również wymaga jednolitej procedury. Ustal, czy mierzysz tylko przetwarzanie po zakończeniu przesyłania, czy cały proces od wyboru pliku. Następnie użyj tego samego połączenia, formatu i nagrania. W przedstawionym porównaniu czasu nie zmierzono, ponieważ nie ma wspólnego pliku testowego; dlatego nie podano też wskaźnika błędów.
Jeżeli chcesz ocenić transkrypcję po polsku AI w sposób powtarzalny, zachowaj kopię pliku wejściowego, wersji transkrypcji i wyników ręcznej kontroli. Powtórzenie testu po zmianie planu lub ustawień powinno używać tego samego materiału, inaczej nie będzie wiadomo, czy zmieniło się narzędzie, czy trudność nagrania.
Koszt minuty i limity nagrania
Cena za minutę nie zawsze oznacza rzeczywisty koszt pojedynczego spotkania. Notta Free obejmuje 120 minut transkrypcji miesięcznie, ale limit pojedynczego nagrania wynosi 3 minuty. Do dłuższych spotkań ten wariant jest więc ograniczony niezależnie od miesięcznej puli.
Notta Pro oferuje 1800 minut miesięcznie i maksymalnie 5 godzin na nagranie. Przy cenie rocznej 8,17 USD miesięcznie oraz pełnym wykorzystaniu całej puli koszt abonamentu odpowiada około 0,0045 USD za minutę. To kalkulacja orientacyjna: nie obejmuje podatków i zakłada wykorzystanie wszystkich 1800 minut w każdym miesiącu.
Notta Business ma nielimitowaną transkrypcję i limit 5 godzin na nagranie. Przy cenie 16,67 USD miesięcznie nie można rzetelnie przeliczyć kosztu jednej minuty, ponieważ zależy on od faktycznej liczby wykorzystanych minut. Taki plan będzie inaczej wyglądał przy kilku krótkich spotkaniach, a inaczej przy regularnym wykorzystaniu dużej puli.
Sonix publikuje model pay-as-you-go w cenie 10,00 USD za godzinę, czyli około 0,1667 USD za minutę. Usługa rozlicza długość przesłanego audio lub wideo, a nie czas potrzebny na obróbkę: plik trwający 52 minuty jest naliczany jako 52 minuty, nie jako pełna godzina. W otwartej stronie cennika nie ma zweryfikowanego limitu długości pliku.
Trint oficjalnie obsługuje język polski, lecz w dostępnej stronie producenta nie ma zweryfikowanej ceny ani limitu pliku. Nie należy więc wpisywać tej usługi do rankingu cenowego na podstawie założeń. Najuczciwiej oznaczyć te pola jako niezweryfikowane i sprawdzić je przed zakupem.
| Narzędzie | Koszt minuty | Limit nagrania | Czas przetwarzania tego samego pliku | Wskaźnik błędów |
|---|---|---|---|---|
| Notta Free | 0 USD za abonament, ale tylko 120 minut miesięcznie; koszt efektywny zależy od planu | 3 minuty na nagranie | Nie zmierzono — brak dostarczonego nagrania | Nie obliczono — brak transkrypcji referencyjnej |
| Notta Pro | około 0,0045 USD/min przy pełnym wykorzystaniu 1800 minut miesięcznie i rozliczeniu rocznym | 5 godzin na nagranie | Nie zmierzono — brak dostarczonego nagrania | Nie obliczono — brak transkrypcji referencyjnej |
| Notta Business | Nie można rzetelnie przeliczyć na minutę, ponieważ plan kosztuje 16,67 USD miesięcznie i ma nielimitowaną transkrypcję | 5 godzin na nagranie | Nie zmierzono — brak dostarczonego nagrania | Nie obliczono — brak transkrypcji referencyjnej |
| Sonix pay-as-you-go | 10,00 USD/godz., czyli około 0,1667 USD/min | Brak zweryfikowanego limitu długości pliku w otwartej stronie cennika | Nie zmierzono — brak dostarczonego nagrania | Nie obliczono — brak transkrypcji referencyjnej |
| Trint | Brak zweryfikowanej ceny w otwartej stronie producenta | Brak zweryfikowanego limitu w otwartej stronie producenta | Nie zmierzono — brak dostarczonego nagrania | Nie obliczono — brak transkrypcji referencyjnej |
Ceny są podane w USD i dotyczą oficjalnych cenników producentów; kwoty Notta Pro i Business odnoszą się do rozliczenia rocznego. Czas obróbki i wskaźnik błędów wymagają jednego wspólnego nagrania oraz ręcznej transkrypcji referencyjnej.
Limity plików w Notta są opisane dodatkowo dla przesyłania audio i wideo: audio ma limit 1 GB albo 3 godziny, przy czym obowiązuje niższa wartość; wideo ma limit 10 GB albo 3 godziny, również według niższej wartości. To inna informacja niż limit planu, dlatego przed zakupem sprawdź oba ograniczenia.
Czy AI rozpoznaje kilku rozmówców?
Rozpoznawanie rozmówców jest osobną funkcją od samej transkrypcji. Notta ma funkcję identyfikacji rozmówców w planach przedstawionych w tabeli porównawczej; dostępność tej funkcji w konkretnym planie należy sprawdzić przed wyborem. Nie oznacza to jednak, że każda wypowiedź zostanie poprawnie przypisana, zwłaszcza gdy głosy są podobne albo uczestnicy mówią jednocześnie.
Test powinien zawierać co najmniej jeden fragment z nakładającymi się wypowiedziami, zmianą kolejności mówców i krótkimi odpowiedziami. Policz nie tylko błędne słowa, lecz również błędne etykiety osób. Możesz mieć niski WER i jednocześnie otrzymać notatkę, w której decyzję przypisano niewłaściwemu uczestnikowi.
Przed wyborem programu do notatek ze spotkań ustal, czy potrzebujesz pełnej transkrypcji, czy przede wszystkim poprawnego podziału wypowiedzi. Jeżeli tekst ma służyć do protokołu, audytu lub przypisywania zadań, identyfikacja mówców powinna być sprawdzana ręcznie przed udostępnieniem dokumentu.
Prywatność i legalność nagrywania spotkania
Przy nagrywaniu trzeba poinformować uczestników, określić cel i podstawę prawną przetwarzania oraz wskazać odbiorców nagrania lub transkrypcji. Zgodnie z art. 6 ust. 1 RODO przetwarzanie danych osobowych wymaga podstawy prawnej, na przykład zgody, konieczności wykonania umowy albo prawnie uzasadnionego interesu, o ile nie przeważają prawa i wolności osoby.
Art. 13 RODO wymaga poinformowania między innymi o tożsamości administratora, celu przetwarzania i podstawie prawnej. Europejska Rada Ochrony Danych wskazuje także na informowanie o celu nagrania, odbiorcach oraz prawie dostępu i sprzeciwu. Sama obecność uczestnika na spotkaniu nie powinna być automatycznie traktowana jako zgoda.
Sprawdź, gdzie trafia plik audio lub wideo, jak długo pozostaje przechowywany i kto może zobaczyć transkrypcję. W przypadku zewnętrznego dostawcy znaczenie ma również umowa powierzenia oraz ustalenie zakresu retencji. Nagrywanie i przesyłanie spotkań do zewnętrznego narzędzia może podlegać RODO oraz innym przepisom dotyczącym poufności komunikacji; przed wdrożeniem trzeba poinformować uczestników, ustalić podstawę prawną, zakres retencji i umowę powierzenia z dostawcą, a przy wątpliwościach skonsultować prawnika lub inspektora ochrony danych.
Najbezpieczniejszy wybór zależy więc od charakteru spotkań. Przy regularnych, długich nagraniach porównaj 1800 minut Notta Pro, limit 5 godzin i rzeczywiste wykorzystanie puli. Przy nieregularnych plikach Sonix pozwala rozliczać długość nagrania, a przy wyborze Trint trzeba najpierw potwierdzić cenę i limit. W każdym przypadku zweryfikuj zasady przechowywania danych przed przesłaniem poufnej rozmowy.
Zobacz też: AI do analizy PDF.
Czytaj również: OCR faktur z AI.
Najczęstsze pytania
Jakie AI najlepiej transkrybuje język polski?
Nie ma podstaw, aby wskazać zwycięzcę bez testu na tym samym nagraniu. Notta i Trint oficjalnie deklarują obsługę polskiego, a wybór powinien uwzględniać WER, czas obróbki, rozpoznawanie rozmówców, limit pliku, retencję danych i cenę.
Czy AI rozpoznaje kilku rozmówców?
Tak, wybrane narzędzia mają funkcję identyfikacji rozmówców, ale jest to osobna jakość od samej transkrypcji. W teście należy policzyć nie tylko błędne słowa, lecz także błędne etykiety mówców.
Czy można nagrywać spotkanie bez zgody uczestników?
Nie należy zakładać, że sama obecność na spotkaniu oznacza zgodę. Trzeba poinformować uczestników o nagrywaniu, celu, odbiorcach i podstawie prawnej; zgoda jest jedną z możliwych podstaw z art. 6 ust. 1 RODO, ale nie zawsze jedyną.
Źródła
- Notta Pricing: Compare Plans, Features & Costs — Notta, 2026, oficjalny cennik
- Bilingual transcription & translation — Web — Notta Help Center, 2025, oficjalna dokumentacja limitów i języków
- What languages does Trint support? — Trint Help Center, 2025, oficjalna lista języków
- Pricing: The most affordable speech-to-text platform — Sonix, 2026, oficjalny cennik
- Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2016/679 — EUR-Lex, 2016, CELEX:32016R0679, art. 6 i 13
- FAQ — Data protection guide for small business — Europejska Rada Ochrony Danych, 2026, informowanie o nagrywaniu i prawach osób
Tekst został utworzony przy pomocy sztucznej inteligencji (modeli językowych).
