Lokalny głos AI 2026: lektor po polsku, klonowanie głosu, napisy i wokal bez chmury

👁 119 przeczytań

Lokalny głos AI to modele, które czytają tekst, klonują głos, robią napisy i oddzielają wokal na twoim komputerze, bez wysyłania nagrań do chmury i bez abonamentu. W 2026 roku po polsku da się tak zrobić lektora, klon własnego głosu, napisy SRT i podkład bez wokalu. Wszystkie te modele testowałem na karcie RTX 4090 w Hangarze, mojej darmowej aplikacji na Windowsa.

W tym hubie zebrałem, który model do czego służy, czy mówi po polsku, ile zajmuje, ile pamięci karty potrzebuje i na jakiej licencji wolno go używać. Linki prowadzą do szczegółowych poradników.

Wszystkie modele w jednej tabeli

Rozmiary i wymagania pochodzą z katalogu Hangara, a licencje z kart modeli u autorów. Kreska oznacza, że nie mam sprawdzonej liczby, więc jej nie podaję.

Lektor po polsku i klonowanie głosu

Do polskiego lektora i klonu własnego głosu lokalnie najlepszy jest dziś Chatterbox Multilingual V3 od Resemble AI. Dajesz mu kilkusekundową próbkę i tekst, a on czyta tekst tą barwą. Na RTX 4090 zajęło mi to 45,3 s razem z ładowaniem modelu. Licencja MIT pozwala na użytek komercyjny, więc nadaje się do filmów na YouTube czy kursów.

Jeśli nie zależy ci na prywatności, porównaj go z chmurowym ElevenLabs. Ceny i mój test klonu są w tekstach klonowanie głosu AI w ElevenLabs i najlepszy lektor AI po polsku: ranking 14 modeli. Jak osiem lektorów czyta ten sam polski tekst, możesz posłuchać w porównaniu lektorów AI.

Jak sklonować swój głos lokalnie

1. Pobierz i zainstaluj Hangar.
2. W zakładce Silniki zainstaluj Chatterbox.
3. Nagraj kilkanaście sekund swojego głosu: cicho w tle, bez muzyki, normalnym tempem.
4. W zakładce Głos i audio wczytaj próbkę i zapisz ją jako profil.
5. Wpisz tekst, wybierz polski i uruchom. Wynik pobierzesz jako WAV.

Szczegółowe kroki ze zrzutami są w poradniku Hangar: klonowanie głosu krok po kroku.

Głos z opisu (bez próbki)

Qwen3-TTS VoiceDesign tworzy nowy głos z opisu słownego: wiek, płeć, barwę i tempo. Nikogo nie klonujesz, więc nie ma problemu ze zgodą. Minus jest duży: na liście 10 języków nie ma polskiego. Do polskich materiałów zostaje Chatterbox z próbką.

Transkrypcja i napisy SRT

Whisper large-v3-turbo zamienia polskie nagranie na tekst i napisy SRT. Zajmuje tylko 1,5 GB i działa nawet bez karty graficznej, na procesorze, tylko wolniej. WhisperX dokłada dokładne wyrównanie słów i podział na mówców, co przydaje się przy wywiadach i podcastach.

• Napisy do filmu krok po kroku, także ze skryptem bez Hangara: napisy do filmu za darmo
• Modele Whispera, instalacja i test po polsku: Whisper: transkrypcja po polsku
• Darmowe sposoby na transkrypcję, także w chmurze: transkrypcja po polsku za darmo
• Kroki w Hangarze: napisy SRT w Hangarze

Wokal, podkład i zmiana głosu

UVR rozdziela piosenkę na wokal i podkład. W moim teście zajęło to 44,3 s łącznie, razem z pobraniem modelu. Przydaje się do karaoke, remiksu albo czystszej transkrypcji nagrania z muzyką w tle. Płatną usługę online do tego samego opisałem w tekście usuwanie wokalu z piosenki.

RVC nie czyta tekstu. Bierze gotowe nagranie i zmienia jego barwę na głos z modelu .pth. Tak powstają covery „zaśpiewane” cudzym głosem. Hangar używa modelu, który już masz, ale go nie trenuje. Kroki: wokal i RVC w Hangarze.

Jaki komputer jest potrzebny

• Napisy i transkrypcja: wystarczy zwykły komputer. Whisper działa na procesorze, z kartą NVIDIA jest szybciej.
• Lektor i klonowanie (Chatterbox, Qwen3-TTS): karta NVIDIA z około 6 GB VRAM
• Fish Audio S2-Pro: co najmniej 24 GB VRAM, czyli w praktyce RTX 4090 albo mocniejsza
• Fish Audio Drama 3: co najmniej 48 GB VRAM. Nie zmieści się na żadnej karcie dla graczy.
• System: Hangar działa na Windows 10 i 11 (64-bit) z kartą NVIDIA z CUDA

Prawo: czyj głos wolno klonować

• Klonuj tylko swój głos albo głos osoby, która zgodziła się na to na piśmie. Głos jest w Polsce chroniony jako dobro osobiste.
• W zgodzie zapisz, do czego posłuży klon, na jak długo i że można go usunąć na żądanie.
• Nie klonuj aktorów, polityków ani celebrytów, nawet dla żartu. Japoński sąd uznał już, że klonowanie głosu aktora narusza jego prawa.
• Oznaczaj nagrania z klonem jako wygenerowane przez AI. AI Act wymaga oznaczania deepfake’ów.
• Uważaj też na odwrotną stronę: oszuści używają klonów do wyłudzeń. Przykład opisałem w tekście sklonowany głos córki i fałszywe porwanie.

Najczęstsze pytania

Jak sklonować głos za darmo po polsku?

Lokalnie, w Chatterbox Multilingual V3. Najprościej przez Hangara: instalujesz silnik, wczytujesz próbkę i wpisujesz tekst. Licencja MIT pozwala na użytek komercyjny.

Czy jest darmowy lektor AI po polsku bez limitu?

Tak. Chatterbox działa na twoim komputerze, więc nie ma limitu znaków ani abonamentu. Ogranicza cię tylko czas pracy karty graficznej.

Czy Qwen3-TTS mówi po polsku?

Nie. Obsługuje 10 języków, ale polskiego wśród nich nie ma.

Czy Whisper działa bez karty graficznej?

Tak, Whisper large-v3-turbo działa na samym procesorze, tylko wolniej.

Czy lokalny głos jest tak dobry jak ElevenLabs?

Porównaj sam na swoim tekście. Lokalne modele wygrywają ceną, prywatnością i brakiem limitów. ElevenLabs ma za to więcej gotowych polskich głosów i nie wymaga karty graficznej. Test ElevenLabs po polsku jest w tekście ElevenLabs po polsku.

Pobierz Hangar 0.3.2 za darmo · co nowego w aplikacji: Hangar 0.3 · inne lokalne modele: lokalne AI

Czytasz Promptowego częściej? Dodaj go do preferowanych źródeł w Google, a nowe teksty będą wyżej w Twoich wynikach.

Źródła

• Resemble AI: Chatterbox na Hugging Face
• Qwen3-TTS 1.7B VoiceDesign na Hugging Face
• faster-whisper large-v3-turbo na Hugging Face
• Fish Audio S2-Pro: licencja
• Fish Audio Drama 3: licencja
• Własne pomiary na RTX 4090 w Hangarze 0.3, 3 listopada 2026 roku

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.