Dane aktualne na dzień: 31 sierpnia 2026 r.
ElevenLabs zamienia tekst na mowę tak dobrze, że w polskim nagraniu lektorskim trudno usłyszeć syntezator. Rejestrujesz się, wybierasz głos, wklejasz tekst, pobierasz plik. Cały proces zajmuje kilka minut i nie wymaga studia ani mikrofonu.
Darmowy plan daje 10 000 kredytów miesięcznie, czyli mniej więcej dziesięć minut nagrania - wystarczy, żeby sprawdzić, jak brzmi polski lektor AI. Klonowania głosu na nim nie ma, a wygenerowanego audio nie wolno użyć komercyjnie i trzeba oznaczyć ElevenLabs jako źródło. Komercja zaczyna się od Startera za 6 dolarów.
O jakości polskiego brzmienia decydują dwie rzeczy: wybór modelu i ustawienia suwaków. Multilingual v2 daje przewidywalną, spokojną narrację. Eleven v3 gra emocjami i rozumie tagi wpisane wprost w tekst. Flash v2.5 odpowiada w 75 milisekund i nadaje się do rozmowy na żywo. Resztę załatwia zapis tekstu - liczby, skróty i angielskie wtrącenia to miejsca, w których każdy silnik TTS się potyka.
ElevenLabs - co to jest i jak działa
ElevenLabs to platforma AI do syntezy mowy, klonowania głosu i automatycznego dubbingu. Założyli ją w 2022 roku dwaj Polacy: Mati Staniszewski, wcześniej analityk w Palantirze, i Piotr Dąbkowski, inżynier z Google. Nazwa to ukłon w stronę 11 listopada - jedenasty dzień jedenastego miesiąca - z dopiskiem "Labs" od profilu badawczego.
W lutym 2026 roku firma zebrała 500 milionów dolarów przy wycenie 11 miliardów i otworzyła biuro w Warszawie. Jak na spółkę, która trzy lata wcześniej była dwuosobowym startupem, to tempo trudne do powtórzenia.
Pod spodem pracują sieci neuronowe trenowane na nagraniach w kilkudziesięciu językach. Model czyta całe zdanie, zanim je wypowie, więc wie, gdzie postawić akcent i kiedy zrobić oddech. Starsze syntezatory składały wypowiedź z fonemów i słychać to było w każdym zdaniu. Polskie znaki diakrytyczne nie sprawiają problemu, miękczenia też nie. Problemem są liczby, skróty i nazwy własne - o tym niżej, bo to najczęstsza przyczyna reklamacji przy polskich nagraniach.
Voice Library to biblioteka ponad 10 000 głosów udostępnionych przez społeczność. Filtruje się ją po języku, płci, wieku i charakterze wypowiedzi. Nie warto przywiązywać się do konkretnych nazw - to zbiór społecznościowy, więc głosy pojawiają się i znikają. Lepiej odsłuchać kilka próbek pod kątem tempa i barwy, a wybrany profil zapisać w My Voices, żeby wracać do niego w kolejnych projektach.
Obok syntezy platforma daje kilka modułów, które w praktyce dokłada się do tego samego projektu:
- Scribe v2 - transkrypcja mowy z rozpoznawaniem mówców i znacznikami czasu. W indeksie Artificial Analysis notuje 2,2 procent współczynnika błędu, jeden z najniższych na rynku. Wariant Scribe v2 Realtime działa w ElevenAgents z opóźnieniem około 150 ms.
- Dubbing Studio - tłumaczy i dubbinguje wideo na 29 języków, zachowując barwę i emocje oryginalnego mówcy.
- Voice Isolator - czyści nagranie źródłowe z szumu i podkładu.
- Eleven Music v2 - generuje utwory instrumentalne i wokalne z opisu tekstowego.
- ElevenAgents - agenci głosowi na telefon, czat, e-mail i WhatsApp, zbudowani na modelu Flash.
Jak wygenerować polski głos krok po kroku
- Rejestracja. Konto zakładasz przez e-mail albo Google. Plan Free ma 10 000 kredytów i trzy sloty na zapisane głosy, ale nie obejmuje klonowania - Instant Voice Cloning odblokowuje dopiero Starter.
- Wybór głosu. W Voice Library filtrujesz po języku polskim i przesłuchujesz próbki. Wybrany głos zapisujesz w My Voices (w starszych materiałach ten moduł nazywa się VoiceLab - to ta sama zakładka po zmianie nazwy). Alternatywa to własny klon albo głos wygenerowany w Voice Design z opisu: wiek, płeć, akcent, ton.
- Tekst i parametry. Wklejasz treść do modułu Text to Speech w Studio, wybierasz model i ustawiasz suwaki. Interpunkcja robi tu więcej niż suwaki - przecinek to krótka pauza, kropka dłuższa, wielokropek jeszcze dłuższa.
- Generowanie i eksport. Kredyty schodzą przy każdej próbie, także nieudanej, więc dłuższe teksty warto testować na jednym akapicie. Gotowe nagranie pobierasz jako MP3, a od planu Pro w górę także jako WAV.
Wszystko działa w przeglądarce, bez instalacji. Są też aplikacje na iOS i Androida, jeśli wygodniej ci generować z telefonu.
Który model wybrać do polskiego
Turbo v2.5 i Turbo v2 są wycofane. Dokumentacja ElevenLabs mówi wprost, że są funkcjonalnie równoważne modelom Flash, tylko wolniejsze. Jeśli trafisz na poradnik, który poleca Turbo do generowania wsadowego, jest starszy niż myślisz.
Do polskiego lektora korporacyjnego bierz Multilingual v2. Do reklamy, w której głos ma coś zagrać - v3. Do bota na infolinii - Flash.
Ustawienia suwaków dla polskiej intonacji
Poniższe wartości dotyczą Multilingual v2 i Flash. Eleven v3 ma inny panel i osobne tryby, opisane pod tabelą.
Stability odpowiada za zmienność emocjonalną. Wysoka wartość spłaszcza intonację, niska wprowadza wahania barwy między akapitami. Pięćdziesiąt procent to punkt, od którego warto zacząć i schodzić w dół przy tekstach reklamowych. Polski akcent pada na przedostatnią sylabę i przy niestabilnych ustawieniach potrafi się rozmyć - słychać to zwłaszcza w dłuższych wyrazach.
Similarity Boost mówi modelowi, jak wiernie ma trzymać się barwy głosu źródłowego. Przy wartościach bliskich stu procentom model kopiuje też szumy i drobne wady nagrania referencyjnego, stąd metaliczne pobrzmiewanie.
Style Exaggeration działa tylko w części głosów. Zero sprawdza się w e-learningu i komunikatach, trzydzieści procent w reklamie z wyraźną kreacją.
Eleven v3 nie ma suwaka stabilności w skali procentowej. Zamiast tego wybiera się jeden z trzech trybów:
- Creative - najbardziej ekspresyjny, ale częściej halucynuje.
- Natural - najbliżej oryginalnego nagrania, domyślny wybór.
- Robust - najstabilniejszy, za to słabiej reaguje na tagi emocji.
To rozróżnienie ratuje sporo czasu. Ustawienia z tabeli wklejone w panel v3 nie zadziałają, bo tam ich po prostu nie ma.
Tagi emocji w Eleven v3
Eleven v3 czyta znaczniki wpisane w kwadratowych nawiasach jak instrukcję reżyserską:
[whispers] To zostanie między nami. [laughs] Chyba żartujesz?
Jedno nagranie, dwie różne dynamiki, bez cięcia tekstu na osobne generacje i sklejania w edytorze. Tagów jest kilkadziesiąt - od [laughs] i [sighs] po [sarcastic] i [curious].
Dwa zastrzeżenia z dokumentacji. Tag działa w granicach możliwości głosu: profil nagrany szeptem nie zacznie krzyczeć po wstawieniu [shout]. I drugie, ważniejsze przy przechodzeniu z v2: v3 nie obsługuje tagów SSML break. Pauzę robi się wielokropkiem, strukturą zdania i tagami audio. Zapis <break time="500ms"/> działa w Multilingual v2 i Flash, w v3 zostanie odczytany jako tekst albo zignorowany.
W polskich kampaniach tagi przydają się w spotach z narracją emocjonalną i w storytellingu, gdzie jeden głos przechodzi od spokojnego opisu do żywszego komentarza. Do materiałów szkoleniowych lepiej ich nie nadużywać - tam liczy się klarowność, więc tag stawia się najwyżej w pytaniu retorycznym albo w puencie.
Błędy wymowy po polsku i jak je obejść
Wybór modelu wielojęzycznego usuwa angielski akcent, ale nie wszystkie problemy. Cztery kategorie tekstu psują nagranie niezależnie od ustawień:
- Skróty i akronimy. "SMS" bywa czytany po angielsku, litera po literze. Zapis "es-em-es" wymusza polską wymowę. To samo dotyczy "np.", "tzn." i "godz." - rozwiń je w tekście dla lektora, nawet jeśli w artykule źródłowym zostają skrótami.
- Liczby i daty. "23" model odczyta w mianowniku, a w zdaniu potrzebujesz dopełniacza. Zapis słowny załatwia sprawę: "dwudziestu trzech". Przy datach i kwotach to obowiązkowe - "2026" potrafi zabrzmieć jak cztery osobne cyfry.
- Wtrącenia angielskie. Najczęstsza przyczyna "obcego akcentu" w polskim nagraniu. Model przełącza się na angielską fonetykę w środku zdania i wraca dopiero po kilku słowach. Albo spolszcz nazwę, albo pogódź się z tym efektem.
- Zbitki spółgłoskowe. "Wszczepić", "źdźbło", "bezwzględny" - tu pomaga rozbicie na krótsze zdania i pauza przed trudnym wyrazem, nie zmiana suwaków. Similarity Boost odpowiada za wierność barwie, nie za artykulację, więc podkręcanie go niczego nie naprawi.
Reguła jest jedna: model czyta to, co napisałeś, a nie to, co miałeś na myśli. Większość błędów wymowy bierze się z niejednoznaczności zapisu, nie z ograniczeń silnika.
Klonowanie głosu: Instant kontra Professional
Instant Voice Cloning potrzebuje krótkiej, czystej próbki - bez echa, szumu i nakładających się głosów. Nadaje się do prototypów i testów A/B, gdzie drobne odchylenia barwy nikomu nie przeszkadzają.
Professional Voice Cloning to inna liga i inny nakład pracy. Trzydzieści minut to próg wejścia, sensowne wyniki zaczynają się przy dwóch godzinach zróżnicowanego materiału: różne tempo, różne emocje, różne typy zdań. Dłuższa próbka pozwala modelowi złapać miękczenia i rytm polskiej wypowiedzi, których klon z jednej minuty nie utrzyma przez dwudziestominutowy podcast.
Cennik, kredyty i licencja komercyjna
W Multilingual v2 jeden znak kosztuje jeden kredyt, we Flash pół. Praktyczny przelicznik: 1000 znaków to mniej więcej minuta nagrania. Czyli Free daje około dziesięciu minut miesięcznie, Starter pół godziny, Creator dwie godziny.
Creator kosztuje 11 dolarów w pierwszym miesiącu. Ceny roczne są niższe od miesięcznych - sprawdź aktualną promocję w cenniku, bo ElevenLabs zmienia je kilka razy w roku.
Startupy technologiczne mogą złożyć wniosek o grant: 12 miesięcy bezpłatnego dostępu, 33 miliony znaków i podniesione limity API.
Licencja komercyjna zaczyna się od Startera i obejmuje reklamy, gry, dubbing i wdrożenia agentów głosowych. Na koncie darmowym wygenerowanego głosu nie wolno użyć w materiale marketingowym, a przy publikacji trzeba oznaczyć ElevenLabs jako źródło. Twórcy pojedynczych filmów wystarczy Starter albo Creator. Agencja obsługująca kilkunastu klientów zwykle ląduje na Scale, głównie przez limit kredytów, nie przez funkcje.
Formaty, jakość dźwięku i realne ograniczenia
Na planach Free i Starter eksport wychodzi jako MP3 128 kbps przy 44,1 kHz. Od Creatora dostępne jest 192 kbps. Przez API wybór jest szerszy: MP3 w kilku wariantach, PCM i WAV od 8 do 44,1 kHz (48 kHz od planu Pro), Opus do 192 kbps oraz formaty telefoniczne µ-law i A-law dla infolinii. WAV w Studio odblokowują plany Pro, Scale i Business.
Wniosek praktyczny: do publikacji w social mediach, na YouTubie i w podcastach materiał nadaje się prosto z platformy. Do produkcji, w której dźwięk idzie na mastering, potrzebny jest plan Pro i eksport bezstratny - na 128 kbps z darmowego konta studio audio nie będzie pracować.
Prawdziwym ograniczeniem jest brak trybu offline. ElevenLabs działa wyłącznie w chmurze, więc generowanie i edycja wymagają łącza. W produkcji terenowej to bywa problem, w normalnej pracy biurowej nie.
Studio ma wbudowany edytor osi czasu. Poprawiasz w nim pojedyncze słowo w środku dwudziestominutowej narracji bez generowania całości od nowa, wycinasz przejęzyczenia i dosuwasz ścieżkę do obrazu. Nawigacja odbywa się po transkrypcji, nie po fali dźwiękowej, co przy audiobooku oszczędza godziny.
Prawo: oznaczanie treści i zgoda na klonowanie głosu
Od 2 sierpnia 2026 roku obowiązuje art. 50 unijnego AI Act. Kto publikuje treść wygenerowaną albo zmanipulowaną przez AI - w tym syntetyczne audio i deepfake głosowy - musi ją oznaczyć w sposób czytelny maszynowo: znak wodny, metadane albo inny mechanizm uwierzytelnienia. Dodatkowo odbiorca musi wiedzieć, że rozmawia z systemem AI, i informacja ta ma wynikać z interfejsu, nie z regulaminu schowanego w stopce.
Systemy wprowadzone na rynek przed 2 sierpnia 2026 roku dostały okres przejściowy do 2 grudnia 2026 roku. Kary sięgają 15 milionów euro albo 3 procent światowego obrotu, w zależności od tego, która kwota jest wyższa, z taryfą ulgową dla małych firm i startupów. Harmonogram AI Act zmieniał się w maju 2026 roku przy okazji pakietu Digital Omnibus, więc przed wdrożeniem sprawdź aktualny stan przepisów - obowiązki z art. 50 przesunięcia nie objęły.
Druga sprawa dotyczy samego klonowania. Głos jest dobrem osobistym chronionym przez art. 23 i 24 Kodeksu cywilnego. Sklonowanie głosu pracownika, lektora czy prezesa wymaga jego zgody, najlepiej pisemnej i z określonym zakresem użycia. Jeśli materiał służy identyfikacji osoby, dochodzi RODO i traktowanie próbki jako danej biometrycznej. Zabezpieczenia platformy nie zdejmują tej odpowiedzialności z klienta - one chronią ElevenLabs, nie ciebie.
Sama platforma stosuje trzy mechanizmy. voiceCAPTCHA sprawdza, czy osoba zgłaszająca próbkę jest jej właścicielem, prosząc o wypowiedzenie na żywo losowego zestawu słów. AI Speech Classifier to darmowe narzędzie, które szacuje, czy dany plik powstał w ElevenLabs - korzystają z niego redakcje i moderatorzy platform. Trzeci filar to zapisany w regulaminie zakaz klonowania cudzego głosu bez zgody, obowiązujący na każdym planie, od Free po Enterprise. Infrastruktura ma certyfikat SOC 2, spełnia wymogi HIPAA i RODO, a dla klientów europejskich dostępny jest wariant z danymi przechowywanymi w UE.
Zastosowania w marketingu i dubbing wideo
Największa zmiana, jaką syntetyczny głos wprowadza w produkcji treści, jest nudna i finansowa: znika koszt krańcowy kolejnej wersji nagrania. Piąty wariant lektorski do testu A/B kosztuje tyle co pierwszy, a nie kolejną wizytę w studiu.
Z tego bierze się kilka typowych wdrożeń:
- Wideo w social mediach. Voiceover do YouTube'a, Shortsów, TikToka i Reelsów, generowany prosto z tekstu i wrzucany do montażu jako gotowa ścieżka.
- Podcasty i audiobooki. Narracja utrzymuje tę samą barwę przez wiele godzin, bez zmęczenia głosu, które słychać u człowieka pod koniec sesji.
- E-learning i szkolenia wewnętrzne. Aktualizacja modułu to poprawka w tekście i ponowna generacja, a nie ponowne nagranie z lektorem.
- Gry i lokalizacja. Dialogi i komunikaty systemowe generowane masowo, na kilka rynków jednocześnie.
- Obsługa klienta. Agenci głosowi na Flashu, o czym za chwilę.
Blogi też na tym korzystają. Wersja audio wpisu wydłuża czas na stronie i otwiera treść dla osób, które wolą słuchać w drodze do pracy - a przy okazji daje format, po który sięgają asystenci głosowi. W szerszej strategii dobrze łączy się to z pozycjonowaniem AI, gdzie liczy się obecność marki w wielu formatach naraz, nie tylko w tekście.
Dubbing Studio to osobna historia. Moduł analizuje ścieżkę źródłową, tłumaczy treść i generuje nową wersję głosową na 29 języków, zachowując barwę i emocje mówcy oraz synchronizację z obrazem. Jedno nagranie zamienia się w kilkanaście wersji językowych bez wynajmu studia i lektora do każdej z nich. Efekt nie zastąpi dubbingu kinowego, ale do materiałów szkoleniowych, wideo produktowego i kampanii w kilku krajach naraz jest wystarczający.
Agenci głosowi i model Flash
Flash v2.5 odpowiada w około 75 milisekund. W rozmowie telefonicznej ten parametr decyduje o wszystkim - każda dodatkowa sekunda ciszy między pytaniem klienta a odpowiedzią systemu zdradza automat i psuje wrażenie rozmowy.
ElevenAgents dokłada do tego warstwę konwersacyjną: agent pamięta wcześniejsze wypowiedzi, rozumie kontekst i prowadzi wieloturowy dialog po polsku. Typowe scenariusze to weryfikacja danych klienta, umawianie wizyt, status zamówienia i przekierowanie do konsultanta, gdy sprawa wykracza poza scenariusz. W miejsce sztywnego menu IVR wchodzi rozmowa.
Architektura wdrożenia jest prosta: Flash odpowiada za czas reakcji, ElevenAgents za logikę dialogu, a Scribe v2 Realtime za rozumienie tego, co mówi rozmówca.
API i alternatywy
API pozwala generować głos bez wchodzenia do panelu. Programista wysyła tekst i identyfikator głosu, dostaje plik audio. Do tego dochodzi strumieniowanie odpowiedzi fragment po fragmencie (niezbędne przy asystentach głosowych), zarządzanie biblioteką głosów, webhooki uruchamiające dalsze akcje w CRM czy CMS oraz te same parametry syntezy, które widać w interfejsie.
Dwa scenariusze wdrożeniowe pojawiają się najczęściej: bot głosowy w obsłudze klienta i masowa produkcja narracji - setki wariantów komunikatów, podkładów albo powiadomień, generowanych bez udziału człowieka.
Warto znać konkurencję, bo w części zastosowań wypada lepiej:
- Google Cloud Text-to-Speech - szeroka paleta języków, korzystna cena przy dużych wolumenach, polska intonacja słabsza niż w modelach ElevenLabs.
- Microsoft Azure AI Speech - mocna integracja z ekosystemem Microsoftu i telefonią, dobra jakość polskiego głosu, wygodny wybór, jeśli firma już siedzi w Azure.
- Play.ht - konkurencyjne limity znaków i klonowanie w niższych planach, mniejsza biblioteka polskich głosów.
- Murf AI - nastawiony na wideo i prezentacje korporacyjne, słabsza kontrola emocji niż w v3.
- Resemble AI - klonowanie i licencjonowanie głosów dla marek, mniejszy nacisk na dubbing.
Firmy budujące polskojęzyczne boty zwykle testują równolegle dwóch lub trzech dostawców, mierząc opóźnienie i wymowę konkretnych polskich fonemów na własnych scenariuszach rozmów. Testy na własnych scenariuszach mówią więcej niż każde porównanie funkcji.
FAQ
Czy ElevenLabs jest darmowy?
Plan Free daje 10 000 kredytów miesięcznie, czyli około dziesięciu minut nagrania, i trzy sloty na zapisane głosy. Jest przeznaczony wyłącznie do użytku prywatnego, wymaga oznaczenia ElevenLabs jako źródła i nie obejmuje klonowania głosu. Komercyjne wykorzystanie zaczyna się od planu Starter za 6 dolarów miesięcznie.
Czy na darmowym koncie mogę sklonować swój głos?
Nie. Instant Voice Cloning jest dostępne od planu Starter, a Professional Voice Cloning od Creatora. Trzy sloty na planie Free to miejsca na zapisane głosy z biblioteki, nie na klony.
Jak wygenerować polski głos w ElevenLabs?
Zakładasz konto, wybierasz głos w Voice Library i zapisujesz go w My Voices, wklejasz tekst w module Text to Speech, ustawiasz model i suwaki, generujesz i pobierasz plik. Cały proces w przeglądarce, bez instalacji.
Jakie ustawienia dają najlepszy polski akcent?
W Multilingual v2 i Flash: Stability 50%, Similarity Boost 75-85%, Style Exaggeration 0% dla lektora informacyjnego lub 30% dla reklamy, Speaker Boost włączony. W Eleven v3 zamiast suwaka stabilności wybiera się tryb Creative, Natural albo Robust - do polskiej narracji najbezpieczniejszy jest Natural.
Ile kosztuje minuta nagrania?
Około 1000 znaków to minuta audio, a w Multilingual v2 jeden znak to jeden kredyt. Na Starterze 30 000 kredytów daje więc mniej więcej pół godziny nagrania miesięcznie. Flash zużywa pół kredytu na znak, czyli przy tym samym pakiecie wychodzi dwa razy dłużej.
Czy mogę użyć głosu AI w reklamie?
Tak, przy aktywnej subskrypcji od Startera w górę. Trzeba jednak pamiętać o dwóch rzeczach: od 2 sierpnia 2026 roku art. 50 AI Act nakazuje oznaczać treści syntetyczne, a sklonowanie cudzego głosu wymaga zgody osoby, do której należy.
Dlaczego mój polski lektor czyta z angielskim akcentem?
Najczęściej przez angielskie wtrącenia w tekście albo przez model nieprzystosowany do polskiego. Wybierz Multilingual v2 lub v3, spolszcz nazwy własne i zapisz skróty fonetycznie ("es-em-es" zamiast "SMS").
Czy nagrania z ElevenLabs nadają się do masteringu?
Zależy od planu. Free i Starter dają MP3 128 kbps, od Creatora dostępne jest 192 kbps, a plany Pro i wyższe pozwalają eksportować WAV oraz PCM w 44,1 kHz (48 kHz przez API). Do studia potrzebny jest więc plan Pro, a nie darmowe konto.