Porównanie lektorów AI: 8 głosów czyta ten sam polski tekst

👁 117 przeczytań

Ten sam polski tekst - 62 słowa z datą, kwotą, numerem pociągu, telefonem, pytaniem, wykrzyknikiem, „Szczebrzeszynem” i „chrząszczem” - przeczytało 8 lektorów AI: z chmury, za darmo i całkiem lokalnie na moim RTX 4090. Najpierw posłuchaj w ciemno, potem odsłoń etykiety. Bez błędu przeszedł tylko jeden głos, a dwa darmowe modele lokalne poległy na liczbach.

To jest uzupełnienie mojego rankingu 14 modeli TTS po polsku. Tam liczyłem błędy w trzech długich tekstach. Tutaj chodzi o coś innego: o ucho. Jeden krótki tekst, osiem głosów obok siebie, ślepy test i tabela, która mówi, ile to kosztuje i czy wolno tego użyć komercyjnie.

Tekst testowy

Każdy lektor dostał dokładnie to samo, w zwykłym zapisie, bez rozpisywania liczb słownie:

Szczebrzeszyn, 17 października 2026 roku, godzina 9:45. Chrząszcz brzmi w trzcinie, a doktor Agnieszka Brzęczyszczykiewicz kupuje bilet za 1249,99 zł na pociąg IC 5316 do Łodzi. Czy zdąży, skoro pociąg ma już 25 minut spóźnienia? Źdźbło, gżegżółka, pszczółka - spróbuj to powtórzyć bez zająknięcia! A teraz zapisz: 15% zniżki, numer 601 234 567. Dziękuję i do usłyszenia w przyszły czwartek w Gdańsku!

W tym tekście siedzi 15 punktów kontrolnych:

• nazwy i łamańce: Szczebrzeszyn, chrząszcz, Brzęczyszczykiewicz, źdźbło, gżegżółka, pszczółka;
• liczby w poprawnej formie: „siedemnastego października dwa tysiące dwudziestego szóstego roku”, „dziewiąta czterdzieści pięć”, „tysiąc dwieście czterdzieści dziewięć złotych dziewięćdziesiąt dziewięć groszy”, „dwadzieścia pięć minut”, „piętnaście procent”;
• skrót IC i numer pociągu, numer telefonu czytany grupami;
• intonacja pytania w zdaniu „Czy zdąży…?”;
• kompletność - czy lektor czegoś nie pominął albo nie dodał.

Ślepy test: posłuchaj, zanim zobaczysz nazwy

Kolejność jest losowa, głośność wyrównana, a w adresach plików nie ma nazw modeli. Zapisz sobie literę swojego faworyta i dopiero potem kliknij „Pokaż, kto czyta”.

Swój typ porównaj z wynikami poniżej - punktacja nie zawsze pokrywa się z tym, co brzmi najprzyjemniej. Pod tekstem możesz jednym kliknięciem ocenić, czy taki ślepy test jest przydatny - jeśli tak, w kolejnej edycji dołożę wspólną tablicę głosów czytelników.

Wyniki: wymowa w 15 punktach kontrolnych

Jak oceniałem: każde nagranie przepuściłem przez Whisper large-v3 (lokalnie) i przez Gemini 3.8 Flash z poleceniem, żeby zapisał słownie, jak co zabrzmiało, i ocenił każdy punkt. Błąd liczyłem, gdy widać go było w obu zapisach albo gdy Gemini podał konkretną złą formę (np. „siedemnasty”). Jedną ocenę sędziego poprawiłem ręcznie: Piper przeczytał „IC pięć tysięcy trzysta szesnaście” - to dopuszczalne, więc uznałem punkt.

Najczęstsze błędy w trudnych słowach

• Data - 6 z 8 lektorów użyło złej formy: „siedemnasty” albo „siedemnaście października” zamiast „siedemnastego”. Oba głosy Edge dokleiły do tego nadmiarowe „roku” („października roku dwa tysiące…”).
• Kwota 1249,99 zł - poprawnie (ze złotymi i groszami) tylko Eleven v4. Edge czyta „dziewięćdziesiąt dziewięć setnych złotego”, XTTS i Piper mówią „przecinek”, GPT Audio zgubił tysiąc.
• Chrząszcz - Edge Marek powiedział „wsząszcz”, Piper „cząszcz”, Chatterbox „ksząszcz”.
• Źdźbło - Edge Zofia „źbło”, GPT Audio Mini „żdźbło”, Piper „ździebło”.
• Szczebrzeszyn i Brzęczyszczykiewicz - poradzili sobie prawie wszyscy, wyjątkiem jest Piper („Przedbrzeszyn”, „Brzęcz-szczykiewicz”).
• Pytanie - wznoszącą intonację w „Czy zdąży…?” dały tylko Eleven v4, GPT Audio, GPT Audio Mini i Chatterbox. Edge, XTTS i Piper czytają pytanie jak zdanie oznajmujące.
• Numer telefonu - Piper przeczytał go jako jedną liczbę („sześćset jeden milionów…”). Eleven v4 przeczytał cyfra po cyfrze - to akurat poprawne.

Tabela: cena, polskie głosy, licencja, opóźnienie

Opóźnienie to czas od wysłania tekstu do pierwszego dźwięku (dla usług ze strumieniowaniem) albo do gotowego pliku (modele lokalne). Mierzyłem z Polski, 8 października 2026, jedno wywołanie na model, więc traktuj to jako orientację, a nie benchmark.

Ceny w dolarach z cenników producentów i z mojego rachunku na OpenRouterze. Za Azure podaję stawkę z zestawień cenowych - oficjalna strona nie pokazała mi liczb bez logowania, więc sprawdź ją przed zakupem.

Lokalnie na RTX 4090: pomiary

XTTS czyta wolno (53 sekundy przy 35-43 s u reszty) i z wyraźnym obcym akcentem, ale nazwy własne wymawia zaskakująco dobrze. Chatterbox wymaga tekstu bez cyfr - w zapisie „17 października” albo „1249,99 zł” generuje bełkot, którego nie ma w żadnym słowniku. Piper działa nawet na słabym laptopie, ale brzmi jak nawigacja sprzed dekady. Więcej o samej instalacji i ładowaniu modeli opisuję w przewodniku po lokalnym AI.

Dlaczego nie ma Gemini TTS

Gemini 3.8 Flash TTS i 3.1 Flash TTS wypadły bardzo dobrze w moim poprzednim rankingu (3.1 Flash TTS bezbłędnie). Tym razem nie miałem do nich dostępu: OpenRouter nie ma modeli Gemini z wyjściem audio, a bramka, przez którą testowałem je we wrześniu, była zablokowana do doładowania konta. Nie zakładałem nowego konta tylko dla jednego nagrania. Dołożę Gemini do ślepego testu, gdy wróci dostęp.

Który lektor AI do czego

• Lektor do filmów i reklam po polsku - Eleven v4. Jedyny bez błędu, z naturalną intonacją. Do 12 października jest wyjątkowo tani, potem kosztuje 0,08 USD za 1000 znaków. Szczegóły w przewodniku ElevenLabs.
• Asystent głosowy, rozmowa na żywo - GPT Audio: najkrótsze opóźnienie (0,8 s), dobre pytania, ale sprawdzaj kwoty. Wersja Mini jest prawie 30 razy tańsza, ale potrafi pominąć zdanie.
• Za darmo, do własnych notatek i audiobooków - Edge TTS. Rozsądna jakość, ale liczby i daty lepiej rozpisać słownie przed czytaniem. Komercyjnie - tylko przez płatne Azure.
• Offline, bez wysyłania tekstu do chmury - XTTS v2, jeśli nie zarabiasz na nagraniach, albo Chatterbox (MIT), jeśli zarabiasz i rozpiszesz liczby słownie.
• Bardzo słaby komputer - Piper. Brzmi sztucznie, ale działa wszędzie.

Najczęstsze pytania

Jaki jest najlepszy generator głosu AI po polsku?

W tym teście Eleven v4 od ElevenLabs - 15 na 15 punktów kontrolnych i najbardziej naturalne brzmienie. W szerszym rankingu 14 modeli remisuje z nim Gemini 3.1 Flash TTS.

Czy jest darmowy lektor AI po polsku?

Tak: Edge TTS (głosy Marek i Zofia) oraz modele lokalne Piper, XTTS v2 i Chatterbox. Edge TTS to nieoficjalny dostęp do głosów Microsoftu, więc do zastosowań komercyjnych się nie nadaje. Z lokalnych komercyjnie wolno używać Chatterboxa (MIT) i Pipera (zależnie od głosu).

Który lektor AI najlepiej czyta liczby i daty?

Eleven v4. Pozostali najczęściej mylą formę daty („siedemnasty października”) i kwoty („przecinek”, „setnych złotego”). Jeśli używasz tańszego modelu, rozpisz liczby słownie w tekście - to usuwa większość błędów.

Czy można używać głosu AI komercyjnie?

Zależy od licencji: ElevenLabs na płatnym planie tak, OpenAI tak (z informacją, że głos jest syntetyczny), Chatterbox tak (MIT), XTTS v2 nie (licencja niekomercyjna), Edge TTS nie (to nie jest oficjalne API).

Ile kosztuje lektor AI za minutę nagrania?

Minuta mowy to ok. 700-900 znaków. W Eleven v4 po 12 października wychodzi ok. 0,06-0,07 USD za minutę, w GPT Audio Mini ułamek centa, lokalnie tylko prąd.

Jak zrobiłem ten test?

Wszystkie nagrania wygenerowałem 8 października 2026 tym samym tekstem i bez ręcznych poprawek. Chmurę wywoływałem przez API (ElevenLabs, OpenRouter, Edge TTS), modele lokalne na karcie RTX 4090 z 24 GB pamięci pod Windowsem 11.

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.