Jak działa generowanie głosu AI — trzy etapy

Generator głosu AI zamienia tekst na dźwięk w trzech krokach: normalizuje zapis, przewiduje jak zdanie ma zabrzmieć, a potem syntezuje falę dźwiękową. Kluczowa różnica wobec starszych syntezatorów polega na tym, że model nie skleja nagranych próbek, tylko generuje przebieg dźwięku od zera — i dlatego potrafi zaakcentować słowo, którego nigdy wcześniej nie widział.

Krok 1: normalizacja tekstu

Zanim cokolwiek zabrzmi, tekst musi zostać przepisany na formę mówioną. Ten etap decyduje o większości błędów, które potem słychać.

• 149 zł → „sto czterdzieści dziewięć złotych”
• 23.09 → „dwudziestego trzeciego września” albo „dwadzieścia trzy kropka zero dziewięć” — zależnie od tego, czy model rozpozna kontekst daty
• dr hab. → „doktor habilitowany”

W języku polskim ten etap jest trudniejszy niż w angielskim, bo liczebniki się odmieniają. „149 złotych” i „od 149 złotych” wymagają tej samej formy, ale „149 złoty” już nie. Stąd najczęstszy błąd, jaki słychać w polskich nagraniach: liczba przeczytana w złej formie gramatycznej.

Praktyczny wniosek: jeśli w Twoim tekście są kwoty albo daty, zapisz je słownie. To jedna zmiana, która eliminuje większość wpadek.

Krok 2: przewidzenie prozodii

Prozodia to melodia wypowiedzi — rozkład akcentów, tempo, wysokość tonu i pauzy. Model przewiduje ją na podstawie całego zdania, nie pojedynczych słów. Dlatego to samo słowo brzmi inaczej na początku zdania oznajmującego i na końcu pytania.

Praktycznie steruje tym interpunkcja:

• przecinek — krótka pauza, zawieszenie tonu
• kropka — dłuższa pauza, opadnięcie tonu
• znak zapytania — wzniesienie tonu na końcu
• myślnik — najdłuższa pauza, często z podkreśleniem tego, co po nim

To nie jest metafora — te znaki realnie trafiają do modelu jako sygnał. Tekst bez interpunkcji brzmi jak lista słów, nawet w najlepszym narzędziu.

Krok 3: synteza fali dźwiękowej

Ostatni etap zamienia przewidzianą prozodię w konkretny dźwięk. Modele robią to na poziomie próbek albo reprezentacji pośredniej (spektrogramu), którą dopiero wokoder przekłada na falę.

Dla użytkownika liczy się jeden skutek: jakość jest wynikiem modelu, nie parametrów eksportu. Zapisanie tego samego nagrania w WAV zamiast MP3 nie sprawi, że intonacja będzie lepsza — poprawi tylko to, co wynika z kompresji.

Dlaczego wybór głosu ma większe znaczenie niż wybór modelu

To nasze własne ustalenie z testu i nie znaleźliśmy go nigdzie indziej.

Każdy głos w bibliotece to osobny zestaw wag nałożony na ten sam model bazowy. W efekcie różne głosy tego samego modelu radzą sobie różnie z tymi samymi trudnościami. W naszym teście zdanie z liczbą „149 złotych” zostało przeczytane bezbłędnie głosem Alice, a głosy Charlotte i Lily zgubiły końcówkę — przy identycznym modelu ElevenLabs Multilingual v2 i identycznym tekście.

Co z tym zrobić: zanim wybierzesz głos na stałe, przepuść przez niego fragment swojego realnego tekstu — z Twoimi liczbami i nazwami własnymi. Darmowy plan w zupełności na to wystarczy i do tego właśnie służy.

Klonowanie głosu — jak to działa

Klonowanie to dostrojenie modelu do konkretnej barwy na podstawie nagrania próbki. W ElevenLabs wystarczy około minuty czystego materiału, żeby model mówił po polsku Twoim głosem.

Dwie rzeczy, o których warto wiedzieć:

• Funkcja jest dostępna od planu Creator za 22 $, nie od najtańszego Startera — wbrew temu, co podaje wiele poradników. W Murf AI klonowanie to osobno płatny dodatek do planu Enterprise.
• Klonowanie cudzego głosu bez zgody jest w Polsce naruszeniem dóbr osobistych, niezależnie od tego, co dopuszcza regulamin narzędzia.

Chcesz usłyszeć, jak to wypada w praktyce? Posłuchaj naszych nagrań albo zobacz porównanie narzędzi.