Na klon głosu wystarczą dwie minuty nagrania, na dobry klon 30. Program nie ruszy bez weryfikacji

Zamówienie brzmi prosto: dwanaście minut lektora do serii filmów produktowych, głosem właściciela firmy, który nie ma czasu na studio. Program do klonowania głosu obiecuje to z dwóch minut nagrania. Rachunek zamyka się jednak nie na cenniku, a na dwóch rzeczach, których w opisie funkcji nie ma: ile materiału trzeba oddać, żeby klon brzmiał jak człowiek, a nie jak automat z infolinii, i co dostawca każe zrobić właścicielowi głosu, zanim wygeneruje pierwsze zdanie.

Ile nagrania trzeba oddać: dwie minuty czy trzy godziny?

Rynek dzieli klonowanie na dwa tryby i ta różnica decyduje o wszystkim pozostałym. Klon natychmiastowy powstaje z krótkiej próbki: ElevenLabs podaje, że klonuje głos z niecałych dwóch minut nagrania, bez trenowania osobnego modelu. Klon profesjonalny to dotrenowany model dla jednego głosu i tu wymagania rosną skokowo: dokumentacja mówi o minimum 30 minutach materiału, rekomenduje bliżej dwóch–trzech godzin i prosi o wgranie co najmniej godziny.

Praktyczny wniosek dla kogoś, kto wycenia zlecenie: trybu natychmiastowego nie da się „douczyć” po oddaniu projektu. Jeśli głos ma wrócić w kolejnych filmach przez następny rok, materiał trzeba zebrać raz, porządnie i w docelowym języku — dokumentacja wprost każe trenować na próbkach w tym języku, w którym klon będzie używany, i utrzymać jeden styl mówienia.

Jakość wejścia przenosi się na wyjście w sposób, którego potem nie naprawisz korektą tekstu. Dostawca zaleca MP3 od 192 kbps, jeden głos w nagraniu, poziom około −23 do −18 dB RMS przy szczycie −3 dB, bez muzyki, pogłosu i długich ciszy. Model odtworzy szum z pokoju równie wiernie jak barwę głosu.

Czego program żąda, zanim wygeneruje pierwsze zdanie?

To jest etap, na którym najczęściej staje produkcja, i jedyny, którego nie przeskoczysz dopłatą. Weryfikacja u ElevenLabs odbywa się przed dotrenowaniem modelu: właściciel głosu dostaje linie weryfikacyjne i czyta je na głos, a nagranie jest porównywane z wgranymi próbkami. W interfejsie programistycznym ten krok polega na pobraniu obrazka z tekstem, odczytaniu go przez właściciela głosu i odesłaniu nagrania. Dokumentacja radzi użyć tego samego sprzętu i tonu co w próbkach; po nieudanej próbie zostaje odczekanie 24 godzin albo kontakt z obsługą.

Inni dostawcy stawiają ten sam warunek inaczej. Resemble AI zapisuje w regulaminie, że może wymagać zgody osoby, której głos jest klonowany, i że zgoda ma być wyrażona głosowo, o ile firma nie postanowi inaczej, a zgodność mówcy sprawdza własnym modelem weryfikacji mówcy. Respeecher w polityce dopuszczalnego użycia z 1 września 2026 r. idzie dalej w stronę papieru: odtworzenie głosu osoby publicznej, celebryty albo polityka wymaga uprzedniego pisemnego upoważnienia od tej osoby oraz od samego Respeechera, a podszycie się pod konkretnego człowieka — jego pisemnej zgody.

Stan dokumentacji sprawdzony 23 października 2026 r. Dla zleceniodawcy oznacza to jedno: w harmonogramie produkcji musi być slot na obecność właściciela głosu przy mikrofonie, nie tylko na dostarczenie plików przez dysk.

Ile to kosztuje, gdy kredyty przeliczysz na minuty?

Cenniki w tej kategorii są liczone w kredytach albo znakach, a nie w minutach gotowego audio, więc porównanie z dniówką lektora wymaga przeliczenia. ElevenLabs podaje, że jeden kredyt to jeden znak tekstu w modelach Multilingual v2, a część modeli zużywa od 0,5 do 1 kredyta na znak, i do każdego planu dopisuje przybliżoną liczbę minut mowy.

Ceny z cennika producenta, sprawdzone 23 października 2026 r.; na stronie widniała wtedy promocja 1 USD za pierwszy miesiąc planu Starter, ważna do 1 listopada. Liczba slotów na klony profesjonalne jest tu ważniejsza od liczby minut: plan darmowy i Starter nie mają ani jednego slotu, więc agencja obsługująca trzech klientów z własnymi głosami nie zmieści się w planie za 22 USD, choć minut jej wystarczy.

Druga pozycja, która zmienia rachunek: w planie darmowym usługi wolno używać wyłącznie niekomercyjnie, a użytek komercyjny regulamin dopuszcza dopiero dla kont płatnych — sekcja 1(c) warunków korzystania rozdziela to wprost. Faktura w złotówkach, przewalutowanie i NIP to osobna rozmowa z działem sprzedaży, bo cennik jest podany w dolarach.

Czy po polsku brzmi tak samo jak po angielsku?

Polski jest obsługiwany, ale nie w każdym modelu. Model Multilingual v2 obejmuje 29 języków z polskim na liście, Flash v2.5 — 32 języki, a starsze modele Flash v2 i Turbo v2 tylko angielski. To ma znaczenie przy klonie profesjonalnym: dokumentacja zaznacza, że klony anglojęzyczne trenują się dodatkowo na modelach wyłącznie angielskich, czyli wybór języka przy tworzeniu głosu nie jest kosmetyką.

Czego nie da się odczytać z dokumentacji: jak klon radzi sobie z polską liczebnością, skrótami i nazwami własnymi w konkretnym tekście. Tego nie zastąpi żaden benchmark — zrób próbkę na własnym, najtrudniejszym fragmencie scenariusza, zanim podpiszesz roczny plan.

Co powinno znaleźć się w zgodzie osoby, której głos klonujesz?

Dostawcy wymagają zgody na własne potrzeby — po to jest odczytanie linii weryfikacyjnych i nagrana zgoda z szablonu. To jednak zgoda wobec dostawcy, nie wobec Ciebie, a regulamin ElevenLabs przerzuca ryzyko na konto użytkownika: sekcja 4(g) zakazuje tworzenia materiału, do którego nie masz wszystkich potrzebnych praw. Jeśli klonujesz głos pracownika, klienta albo wynajętego lektora, własna umowa musi odpowiadać na pytania, których program nie zadaje:

• zakres użycia: które kanały i jakie typy materiałów, z nazwy;
• czas i terytorium: do kiedy wolno generować nowe nagrania, nie tylko używać starych;
• czy wolno użyć głosu do dalszego trenowania modeli i czy ta zgoda przechodzi na podwykonawców;
• wynagrodzenie: ryczałt za klon czy stawka za każde użycie;
• wycofanie zgody: co dzieje się z materiałem już wyprodukowanym i w jakim terminie klon zostaje usunięty;
• wyłączenia tematyczne: polityka, zdrowie, treści erotyczne, reklama alkoholu — lektorzy zwykle takie wyłączenia mają w umowach;
• kto odpowiada za oznaczenie materiału jako wygenerowanego.

Ostatni punkt bywa pomijany, a od sierpnia 2026 r. ma własną podstawę prawną.

Kto ma oznaczyć, że głos jest syntetyczny?

Obowiązki przejrzystości z unijnego rozporządzenia o sztucznej inteligencji rozkładają się na dwie strony. Dostawca systemu ma zapewnić, że treść syntetyczna jest oznaczona w formacie czytelnym maszynowo i wykrywalna jako wygenerowana lub zmanipulowana, na ile to technicznie wykonalne. Podmiot stosujący system, czyli w tym scenariuszu Ty albo Twój klient, ma ujawnić, że materiał powstał w ten sposób — i zrobić to najpóźniej w chwili pierwszego kontaktu odbiorcy z treścią. Artykuł 50 stosuje się od 2 sierpnia 2026 r., zgodnie z artykułem 113 rozporządzenia.

Przy wyborze programu sprowadza się to do dwóch pytań do dokumentacji dostawcy: czy wyjście jest znakowane maszynowo i czy wolno to znakowanie zdejmować. Respeecher ma odpowiedź wprost w polityce dopuszczalnego użycia: zakazuje usuwania, wyłączania i blokowania znaków wodnych, a publikowanie materiału bez ujawnienia, że powstał sztucznie, traktuje jako użycie niedozwolone. W warunkach korzystania ElevenLabs takiej klauzuli nie ma, więc informacji o znakowaniu trzeba szukać w dokumentacji technicznej, a nie w regulaminie.

Gdzie zostają nagrania i co dostawca może z nimi zrobić?

Oddajesz dostawcy nie tekst, a godzinę czyjegoś głosu — materiał, z którego da się zrobić dowolną wypowiedź tej osoby. Regulamin ElevenLabs bierze na przesłane treści szeroką, wieczystą i podlegającą sublicencjonowaniu licencję, obejmującą rozwijanie nowych produktów, i jednocześnie zapewnia, że firma nie będzie samodzielnie komercjalizować Twojego głosu bez zezwolenia. Te dwa zdania trzeba czytać razem, zwłaszcza gdy nagranie jest objęte umową o poufności z klientem.

Dla nagrań, które nie mogą opuścić firmy, zostają dwie drogi: plan firmowy z wyłączonym wykorzystaniem danych do trenowania albo model uruchomiony na własnym sprzęcie. Zanim wyślesz cokolwiek do chmury, przejrzyj zasady po stronie dostawcy — co zostaje po usunięciu materiału i na jak długo, bo retencja po usunięciu historii bywa liczona w latach, nie w dniach. Przydaje się też firmowa lista tego, co wolno wrzucać do zewnętrznego modelu, żeby decyzję o nagraniu klienta podejmował proces, a nie montażysta pod presją terminu.

Kolejność, w jakiej warto to sprawdzić

Najtańszy błąd to ten popełniony przed kupnem planu. Kolejność, która chroni przed wszystkimi kosztami opisanymi wyżej:

• ustal, czy głos jest Twój, pracownika czy osoby publicznej — w ostatnim przypadku temat kończy się na polityce dostawcy;
• zapytaj właściciela głosu o dostępność przy mikrofonie na etapie weryfikacji, nie tylko o pliki;
• policz, ile slotów na klony potrzebujesz, i dopiero potem patrz na minuty w planie;
• zrób próbkę na najtrudniejszym fragmencie scenariusza w docelowym języku;
• spisz zgodę z zakresem, czasem i warunkami wycofania, zanim wgrasz pierwszy plik;
• sprawdź w dokumentacji, czy wyjście jest znakowane, i ustal z klientem, kto robi ujawnienie przy publikacji.

Jeśli klon głosu jest jednym z kilku narzędzi, które mają wejść do firmy w tym samym kwartale, kolejność wdrożeń i wybór procesu na start to osobna decyzja — od strony organizacyjnej zajmują się tym konsultacje przy wdrażaniu AI w firmie.

Co wybrać przy konkretnym zleceniu

Do jednorazowego materiału marketingowego własnym głosem wystarczy klon natychmiastowy w najtańszym planie płatnym: dwie minuty nagrania, licencja komercyjna, bez czekania na dotrenowanie. Do serii, która ma wracać przez rok i brzmieć spójnie, zbierz 30–60 minut czystego nagrania w docelowym języku i policz plan po slotach, nie po minutach. Gdy głos należy do kogoś innego, najpierw podpisz zgodę z zakresem i warunkami wycofania — weryfikacja u dostawcy potwierdza tylko, że ktoś przeczytał kod do mikrofonu, a nie że wolno Ci tym głosem sprzedawać. A jeżeli nagranie jest objęte poufnością klienta, pytanie o chmurę zadaj zanim wybierzesz program, bo ono przesądza o całej liście, nie o jednej funkcji.