ElevenLabs krok po kroku: lektor z tekstu po polsku w kilka minut

👁 114 przeczytań

W ElevenLabs lektor do filmu powstaje w kilka minut, pod warunkiem że wiesz, w jakiej kolejności podejmować decyzje. Oficjalna dokumentacja mówi to wprost: najważniejszy jest wybór głosu, potem modelu, a dopiero na końcu ustawienia. Ten samouczek prowadzi dokładnie w tej kolejności.

Kroki opieram na przewodniku ElevenLabs po funkcji Text to Speech. Nazwy sekcji podaję tak, jak występują w aplikacji, bo interfejs jest po angielsku.

// chwilowo wyprzedane - wraca w kolejnej dostawiebrak w magazynie

ElevenLabs Creator - 12 miesięcyKupon, którym włączasz ElevenLabs Creator na 12 miesięcy na własnym koncie.kinetyka.pl - mój sklep z rocznymi dostępami do narzędzi AI

352 zł-67%zamiast 1 056 zł29,33 zł / mies.Powiadom mnie o dostawie →

Krok 1. Tekst, który dobrze brzmi na głos

Zanim cokolwiek wkleisz, przygotuj tekst pod czytanie, a nie pod czytanie oczami. Dokumentacja ElevenLabs radzi, żeby liczby i symbole zapisywać słownie, bo wtedy model wymawia je tak, jak chcesz. „2026″ może zostać przeczytane różnie, „dwa tysiące dwadzieścia sześć” zawsze tak samo.

Krótsze zdania i przecinki tam, gdzie chcesz pauzy, robią więcej niż jakiekolwiek ustawienie. Na płatnych planach w jednej generacji zmieścisz do 5 000 znaków, na darmowym 2 500, więc dłuższy tekst dzielisz na części.

Krok 2. Wybór głosu

W sekcji Text to Speech wklejasz tekst do okna, a głos wybierasz z listy w lewym dolnym rogu. Masz kilka źródeł głosów:

• Default Voices, czyli głosy domyślne,
• Voice Library, bibliotekę głosów udostępnionych przez innych,
• Voice Design, gdzie opisujesz głos, a ElevenLabs go tworzy,
• Instant Voice Cloning i Professional Voice Cloning, czyli klon własnego głosu.

Do polskiego tekstu szukaj w Voice Library głosu nagranego przez osobę mówiącą po polsku. Dokumentacja wprost zaleca głosy w języku ojczystym, bo wtedy wymowa i akcent brzmią naturalnie. Głos anglojęzyczny czytający po polsku zdradza się już w pierwszym zdaniu.

Krok 3. Model

ElevenLabs ma kilka modeli, a każdy nadaje się do czegoś innego. W dokumentacji znajdziesz Eleven v3, Eleven v3 Conversational, Eleven Multilingual v2 i Eleven Flash v2.5. Najnowszy nie zawsze znaczy najlepszy do Twojego tekstu, więc przy dłuższym materiale zrób krótką próbę na dwóch modelach i porównaj.

Krok 4. Ustawienia głosu

Tu większość ludzi przesadza. Suwaki są cztery:

• Stability decyduje, jak stabilny jest głos i jak bardzo różnią się kolejne generacje. Domyślnie 50.
• Similarity określa, jak blisko model trzyma się oryginalnego głosu.
• Speed ustawia tempo w zakresie od 0,7 do 1,2.
• Style exaggeration wzmacnia styl mówcy. Dokumentacja zaleca zostawić go na 0.

Similarity i Speed nie działają w modelu v3, więc jeśli suwak nic nie zmienia, sprawdź, który model masz wybrany. Moja rada: zacznij od ustawień domyślnych i zmieniaj jeden suwak naraz.

Krok 5. Generowanie i pobieranie

Klikasz Generate i po chwili masz nagranie. Od razu pobierzesz je jako MP3 w 128 kbps albo WAV. W historii generacji są dodatkowe formaty: MP3 w wyższej jakości, M4A i FLAC. Do filmu na YouTube wystarczy MP3 w wyższej jakości, do dalszej obróbki dźwięku lepszy jest WAV albo FLAC.

Klonowanie własnego głosu

Jeśli chcesz, żeby lektorem byłeś Ty, masz do wyboru szybkie klonowanie i profesjonalne. Zasada z dokumentacji brzmi prosto: dobre nagranie na wejściu daje dobry głos na wyjściu. Nagrywaj w cichym pomieszczeniu, tym samym mikrofonem, w tym samym tonie. Szum, pogłos i zmiany głośności przechodzą do klona.

Przykład od początku do końca: lektor do minutowego filmu

Żeby wszystko złożyć w całość, oto jak wygląda przygotowanie lektora do krótkiego filmu produktowego, krok po kroku.

• Scenariusz. Piszesz tekst na mniej więcej minutę mówienia, krótkimi zdaniami. Ceny i daty zapisujesz słownie, a nazwę produktu tak, jak ma być wymówiona.
• Głos. W Voice Library filtrujesz głosy polskie i odsłuchujesz kilka próbek na tym samym zdaniu z Twojego scenariusza, a nie na przykładzie z biblioteki.
• Próba. Generujesz tylko pierwszy akapit na ustawieniach domyślnych. Jeśli głos brzmi zbyt monotonnie, obniżasz Stability o kilka punktów. Jeśli zbyt nierówno, podnosisz.
• Całość. Gdy pierwszy akapit brzmi dobrze, generujesz resztę na tych samych ustawieniach, akapit po akapicie.
• Poprawki. Jeśli jedno zdanie wyszło źle, generujesz ponownie tylko je, a nie cały tekst.

Generowanie akapitami ma jeszcze jedną zaletę: przy montażu łatwiej dopasować ścieżkę do obrazu, bo każdy fragment jest osobnym plikiem.

Jak poprawić jedno źle wymówione słowo

Nazwy własne, skróty i obce słowa to najczęstszy problem w polskich nagraniach. Najprostszy sposób: zapisz słowo w tekście tak, jak ma brzmieć. Zamiast skrótu wpisz jego rozwinięcie albo zapis fonetyczny, a nazwę angielską rozbij tak, jak wymawia się ją po polsku. Wygląda to dziwnie w pliku tekstowym, ale słuchacz nie widzi tekstu, tylko słyszy efekt.

Najczęstsze błędy

• Anglojęzyczny głos do polskiego tekstu, stąd akcent.
• Liczby zapisane cyframi, stąd dziwna wymowa dat i kwot.
• Kręcenie wszystkimi suwakami naraz, stąd brak powtarzalności.
• Jeden długi blok tekstu, który przekracza limit znaków.

Ile kosztują poszczególne plany i czym się różnią, rozpisałem w tekście Ile kosztuje ElevenLabs. Roczny plan Creator z klonowaniem głosu sprzedaję taniej niż w oficjalnym cenniku w sklepie kinetyka.pl.

Link do ElevenLabs jest partnerski: jeśli kupisz przez niego, serwis dostaje prowizję, a Ty płacisz tyle samo. Nie wpływa to na treść, także tam, gdzie piszę krytycznie.