Plany Gemini w Google i co reszta cyklu wydawniczego robi z modelami mowy
9 października Google ograniczy darmowym użytkownikom Gemini dostęp do modelu Flash-Lite, podał 9to5Google 3 października, zamykając drogę do 3.6 Flash i 3.1 Pro. Ten sam tydzień przyniósł serię premier modeli mowy i tłumaczenia, do których niemal żaden z tych użytkowników nie dotrze.

Zmiana w Google jest wąska i szorstka. Strona pomocy, streszczona przez 9to5Google 3 października, mówi, że użytkownicy bez płatnego planu Google AI tracą dostęp do 3.6 Flash i 3.1 Pro. Abonenci AI Plus za 4,99 dolara miesięcznie zachowują Flash-Lite i Flash, a tracą Pro. Wszystkie trzy modele zostają tylko w AI Pro za 19,99 dolara i AI Ultra za 99,99 lub 199,99 dolara.
Dla każdego, kto używa Gemini do tłumaczenia albo dyktowania, znaczy to tyle: o modelu wykonującym pracę decyduje teraz plan abonamentu, nie zadanie. Darmowy użytkownik, który potrzebuje trudniejszej pary językowej, dostaje Flash-Lite. Ten sam dokument pomocy podaje, że klienci AI Pro zyskują opcję Deep Think, która do tej pory była zarezerwowana dla dwóch planów Ultra. Mówi też, że aplikacja dodaje poziomy wysiłku low, medium i high dla każdego modelu. Ani jeden, ani drugi wpis Google nie wyjaśnia, co konkretnie dzieje się z funkcjami głosowymi. 9to5Google zauważa, że wciąż nie wiadomo, gdzie trafi Gemini 4 Argon i czy liczy się jako model Pro, czy jako poziom wyżej.
Gęsty miesiąc dla mowy, i niewiele z tego od Google
Mowa i tłumaczenie to jesienią najruchliwszy zakątek cyklu wydawniczego AI. Ostatnie doniesienia wskazują na kilka premier. Tencent udostępnił na otwartej licencji model do tłumaczenia ustnego chińsko-angielskiego w czasie rzeczywistym. Block wypuścił Dessa, model AI wytrenowany wyłącznie na mowie ludzkiej. Microsoft przedstawił nowe modele MAI nastawione na głos w czasie rzeczywistym i wielojęzyczny. Google dodał tłumaczenie mowy w Meet w 63 językach. Indyjscy badacze opublikowali SraVaani, model mowy obejmujący 65 języków Indii. Te premiery są tłem, na którym ląduje zmiana planów Google. Wzorzec jest taki, że mowa stale tanieje i coraz częściej działa lokalnie. Tymczasem asystent, którego większość ludzi już ma, po cichu obudowuje swoje lepsze modele paywallem.
Najkonkretniejszym nowym wejściem w tym szeregu jest Ideogram 4.5, opublikowany na stronie modeli firmy 4 października. To model edycji obrazów, nie mowy, ale jego cennik najwyraźniej pokazuje, dokąd zmierzają koszty AI liczone za wywołanie. Ideogram podaje stałą cenę za obraz, niezależną od długości promptu, liczby referencji i rozdzielczości. Przy generowaniu wyłącznie z promptu cena wynosi 0,03 dolara w jakości niskiej, 0,06 dolara w średniej i 0,10 dolara w wysokiej. W jakości wysokiej, gdy w grę wchodzą referencje albo precyzyjna edycja, to 0,22 dolara. Bardzo niska jakość kosztuje 0,008 dolara na endpointach referencji i edycji i nie jest oferowana przy generowaniu wyłącznie z promptu. Abonament nie jest wymagany.
Warto postawić tę stałą opłatę obok drabinki abonamentowej Google. Ideogram liczy za obraz i pozwala każdemu płacić na bieżąco. Google liczy za miesiąc i zamyka dostęp do modelu. Dla dewelopera budującego narzędzie tłumaczeniowe pierwszy model to pozycja w kosztach, która rośnie z użyciem. Drugi to sufit, który pojawia się dziewiątego dnia miesiąca.
Problem podsłuchu, którego nikt nie rozwiązał
Głos jest też typem danych wejściowych z najgorszą historią prywatności, a ostatnie dni dały czysty przykład. BleepingComputer podał 4 października, że Anthropic zaczął prosić użytkowników Claude o udostępnianie rozmów głosowych do trenowania modeli. Komunikat brzmi: "Allow us to use your voice data to improve our AI models." Ustawienie siedzi w Settings, Privacy, jest domyślnie wyłączone i działa osobno od istniejącego przełącznika dla sesji czatu i Claude Code. Użytkownik może więc zezwolić na trening głosu, a teksty zostawić poza nim. Anthropic twierdzi, że użytkownicy mogą to wyłączyć albo później usunąć dane.
To rozsądna wersja prośby. Wciąż jednak prośba, i pojawia się w tym samym miesiącu, w którym Google robi z lepszych modeli Gemini płatny produkt. Oba ruchy ciągną w przeciwne strony dla użytkownika, który chce dobrego rozpoznawania mowy bez płacenia dwa razy: raz pieniędzmi, raz nagraniami.
Lokalne modele w stylu Whisper są oczywistą furtką, a narzędzia wokół nich się poprawiają. Jerry Gamblin, zasiadający w grupach roboczych CVE Programu ds. jakości i automatyzacji, opublikował 4 października swój test. Użył modeli Clef od Cloudflare przez nowy endpoint decyzyjny Ollamy, żeby sklasyfikować wszystkie 27 489 CVE opublikowanych w poprzednich 60 dniach. Clef to model o 27 000 000 000 parametrów dostrojony z Qwen 3.8, Clef Flash to model o 9 000 000 000 parametrów dostrojony z Qwen 3.5, oba na licencji Apache 2.0, z wagami na Hugging Face, oba uruchamialne lokalnie. Gamblin podaje, że Clef Flash odpowiadał na dwa pytania na CVE w medianie poniżej sekundy każde na laptopie, bez klucza API i bez rachunku. To zadanie klasyfikacji, nie tłumaczenia, ale pokazuje, co model o 9 000 000 000 parametrów robi dziś na laptopie i w jakim tempie. Spostrzeżenie Gamblina, że 4,2% opisów CVE spoza jądra nigdy nie podaje wpływu na bezpieczeństwo, mówi więcej o pisaniu CVE niż o modelach.
O co walczą twórcy modeli
OpenAI użył swojej strony bezpieczeństwa 4 października, żeby opisać inną walkę. Firma podała, że przerwała skoordynowaną kampanię wydobywania chronionego rozumowania z jej modeli, a najwcześniejsza aktywność miała miejsce w pierwszym tygodniu lipca. Według wpisu operatorzy nie łamali szyfrowania ani nie czytali zapisanych rozmów. Manipulowali interakcjami tak, żeby ukryte rozumowanie stawało się widoczne dla pytającego. W tym kopiowanie zaszyfrowanego rozumowania z jednej rozmowy i proszenie modelu w innej o odszyfrowanie i przepisanie go. OpenAI podaje, że aktywność skoczyła 24 i 25 lipca do 16 000 żądań od ponad 4 000 użytkowników. Twierdzi, że powiązane wzorce promptów u ponad 15 000 użytkowników zostały w pełni przerwane do 28 lipca. Przypisuje główny klaster osobom związanym z Moonshot AI, twórcą Kimi, i mówi, że nie jest jasne, czy wszyscy operatorzy pochodzili od jednego podmiotu.
Nic z tego nie dotyczy mowy. Ma jednak znaczenie dla każdego, kto buduje na hostowanym modelu, bo pokazuje, jak duża część wartości modelu siedzi w częściach, których dostawca nie publikuje. Funkcja tłumaczenia zależna od warstwy rozumowania dostawcy dziedziczy jego stan bezpieczeństwa i jego warunki. To samo dotyczy funkcji głosowej zależnej od stosu transkrypcji dostawcy.
Po stronie badań praca Lewisa Mitchella na arXiv, złożona 1 października, daje tańszy sposób, żeby dostrojone modele nie zapadały się w powtarzanie. Metoda filtruje tekst treningowy według tempa entropii szacowanego z samego surowego tekstu, bez logarytmów prawdopodobieństwa z modelu. W eksperymencie QLoRA na sześć generacji na Llama-3.1-8B filtrowanie oparte na logprob nie dało istotnej korzyści w różnorodności tekstu na żadnej metryce (p > 0,23). Filtr entropii dał 42% więcej unikalnych trigramów, 30% więcej słownictwa i 19% mniej powtórzeń, wszystko przy p < 0,001. Praca ma 17 stron, osiem rycin i jest zgłoszona na NeurIPS 2026. Dla każdego, kto dostraja model mowy albo tłumaczenia na danych syntetycznych, to konkretny przepis, nie ostrzeżenie.
Sklep z aplikacjami wchodzi do chatbota
TechCrunch podał 29 września, że ogłoszenia OpenAI z Dev Day, wzięte razem, zamieniają ChatGPT w miejsce, gdzie aplikacje się odkrywa i uruchamia. ChatGPT, który według OpenAI ma 1 200 000 000 użytkowników tygodniowo, będzie podpowiadać aplikacje w trakcie rozmowy, gdy któraś pomoże. Rozszerzona architektura wtyczek obsługuje teraz dodatki renderujące interaktywne panele w czacie. "Sign in with ChatGPT" przenosi limit AI użytkownika do aplikacji innych firm, a wśród 16 partnerów startowych są Devin od Cognition, Notion, Vercel i Figma. Jeśli to zadziała, asystent staje się kanałem dystrybucji, a model pod nim staje się czymś, przez co wszyscy inni muszą kierować ruch.
Postaw to obok zmiany planów Google, a kształt rynku staje się jaśniejszy. Google każe płacić za dostęp do lepszych modeli. OpenAI rozdaje zasięg i zatrzymuje model. Anthropic prosi o nagrania głosu. Ideogram sprzedaje obrazy na sztuki. Każdy odpowiada inaczej na to samo pytanie: kto płaci za wnioskowanie i co w zamian dostaje.
Dla czytelnika, który w tym miesiącu wybiera narzędzie tłumaczeniowe, praktyczne pytania są węższe. Który model naprawdę działa w darmowym planie i czy zmieni się to bez ostrzeżenia. Dokąd trafiają nagrania i czy jest przełącznik. A jeśli odpowiedź na któreś z nich nie zadowala, czy istnieje opcja lokalna, wystarczająco dobra. Sądząc po ostatnim tygodniu, trzecia odpowiedź poprawia się szybciej niż dwie pierwsze.
Źródła
8- 01Gemini app limiting what models free and AI Plus users can accessEN
- 02Google's new Gemini tiers cut free users to its weakest model and lock $5/month subscribers out of ProEN
- 03Ideogram 4.5: The most precise edit modelEN
- 04Anthropic asks Claude users to share voice data for AI model trainingEN
- 05Decision Models vs. CVE DataEN
- 06Disrupting a coordinated model-distillation campaignEN
- 07No Model Required: Text Entropy Rate Filtering Mitigates Iterative Fine-Tuning CollapseEN
- 08OpenAI's latest features take direct aim at the app store modelEN
Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.
Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.
Komentarze
0- Brak komentarzy — bądź pierwszy.