Krótka odpowiedź
Tryb głosowy to rozmowa głosowa w czasie rzeczywistym: mówisz, model odpowiada na głos, a ty możesz mu przerwać. Każdy płatny plan zawiera minuty głosowe: 10 miesięcznie w planie Starter, 80 w Pro i 500 w Powerhouse.
Sesja tworzy transkrypcję, która trafia do historii czatu, dzięki czemu rozmowę głosową można później przeczytać tak samo jak rozmowę pisaną. Minuty głosowe liczone są na osobnym liczniku i nie zużywają kredytów.
Rozpoczynanie i kontrolowanie sesji
Otwórz tryb głosowy w czacie, a sesja połączy się i zacznie słuchać. Nie ma etapu przytrzymywania przycisku do mówienia: po prostu zaczynasz mówić. Odpowiedzi przychodzą jednym, ustalonym z góry głosem, ciepłym głosem o imieniu Sulafat, a sam tryb głosowy działa na Gemini Live API: Whizi generuje krótkotrwały token sesji, a twoja przeglądarka przesyła dźwięk bezpośrednio do Google, więc żaden dźwięk nie przechodzi przez serwery Whizi.
Sterowanie podczas sesji jest celowo minimalne. Możesz wyciszyć mikrofon, co przestaje cię słuchać bez kończenia sesji, albo całkowicie zakończyć sesję. Wskaźnik stanu pokazuje, czy Whizi aktualnie słucha, czy mówi, co ma większe znaczenie, niż się wydaje, bo świadomość, że zostałeś usłyszany, w dużej mierze decyduje o tym, czy interfejs głosowy jest znośny.
Ponieważ rozmowa toczy się w czasie rzeczywistym, a nie turami, możesz wejść w słowo, gdy model jeszcze mówi, tak jak zrobiłbyś to z drugą osobą. Bez tego długą, błędną odpowiedź trzeba by wysłuchać do końca, zanim dałoby się ją skierować na właściwe tory.
Transkrypcję można otworzyć w czacie w dowolnym momencie, także w trakcie sesji. To furtka na sytuacje, gdy coś musi być precyzyjne: przeczytaj, co faktycznie zostało zarejestrowane, zamiast zakładać. Rozpoznawanie mowy w przypadku imion, liczb i terminów technicznych jest najsłabszym punktem każdego interfejsu głosowego, więc spojrzenie na transkrypcję w trakcie sesji to najszybszy sposób, by wyłapać przesłyszenie, zanim wpłynie ono na kolejną odpowiedź.
Jak liczone są minuty
Minuty liczą czas trwania sesji, a limit jest liczony na konto i odnawia się wraz z okresem rozliczeniowym. Pojedyncza sesja trwa maksymalnie 15 minut: wywołanie startowe rezerwuje czas z twojego limitu i mówi sesji, jak długo może trwać, więc gdy pozostałych minut jest mniej, sesja zostaje skrócona, by się w nich zmieścić.
Limit zależy od planu: 10 minut miesięcznie w Starter, 80 w Pro i 500 w Powerhouse. Konta darmowe nie mają żadnych minut głosowych. Powerhouse daje nieco ponad osiem godzin miesięcznie, czyli mniej więcej dwadzieścia minut w każdy dzień roboczy. Rozmowy głosowe z natury są krótkie, ten format pasuje raczej do pięciominutowych wymian niż godzinnych sesji, więc wyższe plany rzadko stanowią realne ograniczenie.
Wyciszenie mikrofonu nie zatrzymuje licznika. Robi to zakończenie sesji. Jeśli odchodzisz od komputera, zakończ sesję, zamiast ją wyciszać.
Minuty głosowe to osobny limit, który nie korzysta z niczego innego. Minuty głosowe, kredyty i generowanie obrazów to oddzielne liczniki, które nie dzielą wspólnej puli, więc długa rozmowa głosowa nie zmniejsza liczby wiadomości do Claude czy GPT, które możesz wysłać w danym miesiącu. Oznacza to też, że konto, które wyczerpało kredyty, wciąż ma swoje minuty głosowe, a konto, które wykorzystało cały limit głosowy, wciąż może pisać.
Transkrypcja pozostająca po sesji to zwykły czat, więc jej przechowywanie nic więcej nie kosztuje i pozostaje w historii obok wszystkiego, co napisałeś.
W czym głos naprawdę jest lepszy
Głos nie jest szybszą wersją pisania, a używanie go w ten sposób rozczarowuje. Trzy sytuacje, w których naprawdę wygrywa:
Myślenie na głos. Omawianie problemu, którego jeszcze nie uporządkowałeś, jest dużo łatwiejsze na głos niż na piśmie, bo nie musisz zobowiązywać się do zdania, zanim wiesz, jak się skończy. Późniejsza transkrypcja zwykle lepiej opisuje problem niż cokolwiek, co byś napisał.
Zajęte ręce albo wzrok gdzie indziej. Gotowanie, prowadzenie samochodu, spacer albo praca fizyczna. To oczywisty przypadek, ale jak najbardziej prawdziwy.
Ćwiczenie rozmowy. Odpowiedzi na rozmowę kwalifikacyjną, trudna wiadomość do klienta, prezentacja sprzedażowa. Powiedzenie czegoś na głos i usłyszenie odpowiedzi ujawnia niezręczne sformułowania, które na papierze wyglądają dobrze.
Gdzie przegrywa: wszystko związane z kodem, dokładnymi liczbami, trudnymi do przeliterowania nazwami albo długim, uporządkowanym tekstem, który będziesz chciał skopiować. To lepiej pisać.
| Co robisz | Głos czy pisanie | Dlaczego |
|---|---|---|
| Przemyślenie problemu, którego jeszcze nie uporządkowałeś | Głos | Nie musisz zobowiązywać się do zdania, zanim wiesz, jak się skończy |
| Gotowanie, prowadzenie samochodu, spacer albo praca fizyczna | Głos | Ręce są zajęte, a wzrok gdzie indziej, a transkrypcja trafia potem do historii |
| Ćwiczenie odpowiedzi na rozmowę kwalifikacyjną, trudnej wiadomości albo prezentacji | Głos | Powiedzenie czegoś na głos ujawnia niezręczne sformułowania, które na papierze wyglądają dobrze |
| Kod, dokładne liczby, trudne do przeliterowania nazwy, długi tekst do skopiowania | Pisanie | Rozpoznawanie mowy jest najsłabsze w przypadku imion, liczb i terminów technicznych |
- Każdy płatny plan zawiera głos: 10 minut w Starter, 80 w Pro, 500 w Powerhouse
- Pojedyncza sesja trwa maksymalnie 15 minut
- Głos nie zużywa kredytów, ma własny licznik
- Wyciszenie nie zatrzymuje licznika, robi to zakończenie sesji
- Transkrypcja trafia do historii czatu i pozostaje czytelna
- Do kodu, dokładnych liczb i wszystkiego, co będziesz kopiować, używaj pisania
Najczęstsze pytania
Który plan zawiera tryb głosowy?
Każdy płatny plan zawiera tryb głosowy, a konta darmowe nie mają żadnych minut głosowych. To, co zmienia się wraz z planem, to limit: Starter zawiera 10 minut głosowych miesięcznie, Pro zawiera 80, a Powerhouse zawiera 500, odnawiając się wraz z okresem rozliczeniowym.
Czy minuty głosowe są odliczane od moich kredytów?
Nie. Głos ma własny licznik minut i nie zużywa kredytów, więc długa rozmowa głosowa nie zmniejsza liczby wiadomości do Claude czy GPT, które możesz wysłać. Minuty głosowe, kredyty i generowanie obrazów to oddzielne limity, które nie dzielą wspólnej puli.
Czy mogę zobaczyć, co powiedziałem w sesji głosowej?
Tak. Każda sesja tworzy transkrypcję, która trafia do historii czatu, i możesz ją otworzyć zarówno w trakcie sesji, jak i po jej zakończeniu. Spojrzenie na nią w trakcie sesji warto rzucić zawsze, gdy liczy się precyzja: to imiona, liczby i terminy techniczne rozpoznawanie mowy myli najczęściej.
Czy mogę przerwać modelowi, gdy mówi?
Tak, rozmowa toczy się w czasie rzeczywistym, a nie turami, więc możesz wejść w słowo tak jak w rozmowie z drugą osobą, a model przerywa, zamiast kończyć długą, błędną odpowiedź, którą inaczej musiałbyś wysłuchać do końca.