Klonowanie głosu AI w ElevenLabs: klon z 10 s i 2 minut

👁 194 przeczytań

Klonowanie głosu AI w ElevenLabs to stworzenie kopii głosu z kilkudziesięciu sekund albo kilku minut nagrania, a potem czytanie tą kopią dowolnego tekstu. Przetestowałem to wyłącznie na głosie syntetycznym: najpierw zaprojektowałem nieistniejącego lektora w Voice Design, potem sklonowałem go z próbek 10 s, 30 s i 2 minut. Poniżej są nagrania, pomiar podobieństwa klonu do oryginału, koszty i zasady, bez których lepiej nie zaczynać.

01Voice Changer ElevenLabs: zmiana głosu AI na nagraniuPolski monolog zmieniony na głos kobiecy i niski głos lektora: treść, długość i melodia zdań po konwersji oraz jedno ustawienie, które ratuje nagrania z szumem.Czytaj →02ElevenLabs Dubbing: film po polsku, mój test v1 i v2Zdubbingowałem fikcyjny klip 24 s z angielskiego na polski w v1 i v2: filmy przed i po, czasy, kredyty, podobieństwo głosu i jedna kosztowna wpadka.Czytaj →03Voicebot na ElevenLabs Agents: test polskiej infoliniiZbudowałem fikcyjną recepcję gabinetu i przeprowadziłem z nią rozmowę głosową po polsku: czas reakcji, rozpoznawanie mowy, koszt minuty i jedna pułapka.Czytaj →04ElevenLabs Scribe: transkrypcja po polsku, test błędówMinutowy wywiad z nazwiskami typu Brzęczyszczykiewicz i 13 liczbami: Scribe v2 w trzech ustawieniach kontra Whisper, plus nagrania z szumem.Czytaj →05AI lektor: darmowe i płatne sposoby na polski głos, klonowanie i granice prawaAI lektor to synteza mowy na tyle dobra, że nagranie da się puścić w filmie, podcaście czy kursie bez tłumaczenia się słuchaczom.…Czytaj →06Ile kosztuje ElevenLabs? Plany, minuty i limity głosówGdy sprawdzam, ile kosztuje ElevenLabs, zaczynam od planów narzędzia do generowania głosu i innych materiałów audio. Dostęp jest rozliczany między innymi kredytami,…Czytaj →

Najpierw zasada: cudzy głos tylko za zgodą

Klonowanie cudzego głosu wymaga zgody tej osoby. W polskim orzecznictwie i doktrynie głos uznaje się za dobro osobiste chronione przez Kodeks cywilny (art. 23 i 24), a ElevenLabs deklaruje, że rozpatruje każde zgłoszone naruszenie praw do głosu. Profesjonalny klon (PVC) można zrobić wyłącznie z własnego głosu: według pomocy ElevenLabs nawet zgoda innej osoby nie wystarczy, bo każdy PVC przechodzi weryfikację, że głos należy do właściciela konta. Jeśli ktoś chce ci udostępnić swój głos, tworzy i weryfikuje klon na swoim koncie, a potem udostępnia go prywatnym linkiem. Dlatego w teście nie użyłem żadnego prawdziwego nagrania. Szerzej o ryzyku piszę w tekście twój głos już nie należy tylko do ciebie.

Instant czy Professional Voice Cloning

Dokumentacja uprzedza, że IVC gorzej radzi sobie z nietypowymi głosami i akcentami, a akcentu ani tonu klonu nie zmienisz po utworzeniu. Da się tylko wymienić próbki. Ceny planów są bez VAT, sprawdzone 28 września 2026.

Mój test krok po kroku

Krok 1: głos, który nie istnieje. W Voice Design (model eleven_ttv_v3) opisałem lektora po angielsku i dałem polski tekst próbny o długości 354 znaków. Dokumentacja radzi zacząć opis od języka i akcentu, np. w schemacie „Native Polish. Male, 50s. Studio quality”, żeby głos nie dryfował. Dostałem trzy warianty za 326 kredytów. Wybrałem pierwszy: najniższy (mediana tonu 68 Hz) i bez błędów w transkrypcji kontrolnej. Opis do skopiowania:

A Polish man in his fifties with a low, warm, slightly raspy voice.
Calm, unhurried documentary narrator delivery, native Polish accent,
close-mic studio recording.

Krok 2: próbki. Tym głosem wygenerowałem modelem Eleven v4 nagranie pięciu akapitów o Bieszczadach, łącznie 116 sekund. Z tego pliku wyciąłem trzy próbki: pierwsze 10 s, pierwsze 30 s i całość.

Krok 3: trzy klony. Każdą próbkę wysłałem do Instant Voice Cloning bez filtra szumów (próbka była czysta, a dokumentacja ostrzega, że filtr może wtedy pogorszyć jakość). Każdy klon powstał w kilka sekund.

Krok 4: ten sam tekst wszystkimi głosami. Oryginał, trzy klony i dla porównania gotowy męski głos Brian przeczytały to samo zdanie z datą i godziną. Zmierzyłem podobieństwo modelem weryfikacji mówcy WavLM (1 oznacza identyczny głos) i przepuściłem nagrania przez transkrypcję Scribe.

Wyniki

Wszystkie nagrania zostały przepisane słowo w słowo. Jedyna różnica to zapis godziny: przy oryginale i klonach 10 s i 30 s Scribe napisał „osiemnasta czterdzieści pięć”, przy klonie z 2 minut „18:45”. To kwestia formatu, nie błąd. Klon mówi też po angielsku i zachowuje barwę mniej więcej tak jak oryginał (0,81-0,83 wobec 0,85).

Uczciwie: tak wysokie wyniki przy 10 s wynikają w dużej mierze z tego, że źródło było syntetyczne, czyli bez pogłosu, szumu i zmian odległości od mikrofonu. Przy nagraniu z telefonu spodziewam się, że dłuższa próbka zrobi większą różnicę. To moja opinia. Profesjonalnego klonu nie sprawdzałem, bo wymaga weryfikacji głosu właściciela konta, a mój głos testowy nie ma właściciela.

Jak sklonować własny głos w ElevenLabs

1. Nagraj 1-2 minuty mowy w cichym pomieszczeniu, jednym mikrofonem, bez długich pauz. Dokumentacja PVC radzi szczyty od -6 do -3 dB i średnio ok. -18 dB. Format MP3 wystarczy, WAV według dokumentacji zwykle nie poprawia klonu.
2. W aplikacji wejdź w Voices, potem Create a voice i Instant Voice Clone, wgraj plik. Rób to tylko z własnym głosem albo za pisemną zgodą osoby, której głos klonujesz.
3. Filtr szumu włącz tylko wtedy, gdy nagranie faktycznie ma szum.
4. Sprawdź klon na zdaniu z liczbami i nazwami własnymi. Jeśli akcent się nie zgadza, wymień próbki, bo ustawień klonu nie poprawisz.

Przez API to jedno polecenie (przetestowane 28.09.2026 na próbce 10 s):

curl -X POST https://api.elevenlabs.io/v1/voices/add \
  -H "xi-api-key: $ELEVENLABS_API_KEY" \
  -F "name=Moj glos" -F remove_background_noise=false \
  -F [email protected]

W odpowiedzi dostajesz voice_id, którego używasz potem w zamianie tekstu na mowę. Jak czytać nim dłuższe teksty, opisuję przy lektorze AI, a jak zmienić głos na gotowym nagraniu, w tekście o Voice Changerze.

Ile to kosztuje

Samo utworzenie klonu IVC nie pobrało u mnie kredytów. Płacisz za każde czytanie tekstu klonem, tak jak przy gotowych głosach, np. w Eleven v4 przez API 0,08 USD (0,31 zł) za 1000 znaków, a w promocji do 12 października 2026 0,022 USD (0,08 zł), bez VAT. Voice Design kosztował mnie 326 kredytów za trzy warianty. Limit własnych głosów zależy od planu: 3 w darmowym, 10 w Starter, 30 w Creator, 160 w Pro. Pełne porównanie planów jest w tekście ile kosztuje ElevenLabs, a przegląd wszystkich funkcji w przewodniku ElevenLabs.

Najczęstsze pytania

Ile nagrania potrzeba do klonowania głosu w ElevenLabs?

Dokumentacja zaleca 1-2 minuty do klonu natychmiastowego i 30-180 minut do profesjonalnego. W moim teście na czystym, syntetycznym głosie już 10 s dało podobieństwo 0,990, a 2 minuty 0,995.

Czy klonowanie głosu w ElevenLabs jest darmowe?

Nie. Instant Voice Cloning wymaga planu Starter za 6 USD (23,14 zł) miesięcznie, a Professional Voice Cloning planu Creator za 22 USD (84,85 zł). Samo utworzenie klonu IVC nie zużyło u mnie kredytów.

Czy mogę sklonować głos innej osoby?

Tylko za jej wyraźną zgodą i zgodnie z prawem. Profesjonalnego klonu cudzego głosu ElevenLabs nie pozwala zrobić wcale, nawet ze zgodą, bo wymaga weryfikacji właściciela głosu.

Czy sklonowany głos mówi po polsku?

Tak. Klon działa z modelami wielojęzycznymi, w tym Eleven v4. Mój klon czytał po polsku i po angielsku, a transkrypcja nie wykazała błędów treści.

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.