ElevenLabs: recenzja po pięciu testach po polsku

ElevenLabs recenzja: co to jest i jak testowałem

ElevenLabs to serwis do generowania mowy z tekstu, klonowania głosu, dubbingu, transkrypcji, efektów dźwiękowych i muzyki. Firmę założyli w 2022 roku dwaj Polacy, Piotr Dąbkowski i Mateusz Staniszewski, ale aplikacja jest po angielsku i rozlicza się w dolarach. Wszystko działa w przeglądarce, w aplikacjach na iOS i Androida oraz przez API.

Tej recenzji nie oparłem na materiałach producenta. 28 września 2026, w dniu premiery modelu Eleven v4, przeprowadziłem pięć osobnych testów po polsku: ranking 14 lektorów AI na tych samych zdaniach, porównanie pięciu modeli ElevenLabs na trzech głosach, dubbing fikcyjnego klipu z angielskiego na polski, klonowanie syntetycznego głosu i generowanie piosenek z moim polskim tekstem. Wszystko przez API, z pomiarem czasu, kredytów i z trzema niezależnymi transkrypcjami, żeby nie oceniać wymowy wyłącznie na ucho.

Czego nie sprawdzałem: profesjonalnego klonu głosu (wymaga weryfikacji właściciela głosu, a mój głos testowy był syntetyczny), edytora Studio do audiobooków i planów dla firm. Tam, gdzie opieram się na dokumentacji, piszę to wprost.

ElevenLabs po polsku: jak czyta liczby, daty i skróty

Polski tekst z liczbami to najlepszy sprawdzian lektora AI. Do testu wziąłem zdania, jakie trafiają do zwykłego scenariusza: spotkanie z „dr Agnieszką Brzęczyszczykiewicz” 17.03.2027 r. o godz. 9:45 przy „ul. Żeromskiego 12”, cenę 1249,99 zł, 15%, pociąg IC 5316, numer zamówienia 48/2026, „ok. 2,8 tys. zł”, telefon 601 234 567 i adres [email protected]. Nic nie rozpisywałem słownie.

Eleven v4 przeczytał wszystkie 18 punktów kontrolnych bez błędu, na polskich głosach Adam i Magdalena oraz na anglojęzycznym głosie Alice, a także w trzech kolejnych generacjach. Datę podał jako „siedemnastego marca dwa tysiące dwudziestego siódmego roku”, kwotę z groszami, a e-mail jako „biuro małpa przykład kropka pe el”. Ten sam wynik miał v4 Turbo. Poprzedni Eleven v3 potknął się na „peronu trzeciej” i raz zgubił miesiąc w dacie (17/18).

Zaskoczyły mnie starsze modele tej samej firmy. Multilingual v2 i Flash v2.5, wciąż domyślne w wielu wtyczkach i integracjach, czytały „ul.” jako „ul”, „r.” jako „er” i myliły kwoty: 1239,99 albo 149,99 zł zamiast 1249,99 zł. Flash na głosie Magdalena zamienił 17.03.2027 na „trzynastego października dwa tysiące dwudziestego trzeciego”. Wniosek jest prosty: przy polskich liczbach wybór modelu znaczy więcej niż wybór głosu. Flasha da się częściowo uratować parametrem API apply_text_normalization: "on" - podniósł wtedy wynik toru przeszkód z 4 do 10 z 11.

W całym rankingu 14 modeli komplet 18/18 miały tylko trzy: Eleven v4, v4 Turbo i Gemini 3.1 Flash TTS od Google. GPT Audio od OpenAI czytał polski dobrze, ale zdanie „Otwórz Google Chrome, wejdź na YouTube…” potraktował jak polecenie i odmówił. Wszystkie cztery sprawdzone modele ElevenLabs przeczytały to zdanie poprawnie, łącznie z końcówką w „WhatsAppa”. Nagrania możesz odsłuchać sam: Eleven v4, głos Adam i Flash v2.5 na tym samym tekście. Pełne wyniki i pozostałe nagrania są w rankingu najlepszy lektor AI po polsku.

Eleven v4 czy v4 Turbo: szybkość, tagi emocji i ranking

Eleven v4 zadebiutował 28 września 2026 i od razu zajął 1. miejsce w rankingu naturalności głosów Artificial Analysis, gdzie słuchacze w ciemno wybierają lepsze z dwóch nagrań. W dniu premiery miał 1319 pkt Elo, 30 września 1316 (±18) przy 1731 głosowaniach, o 41 punktów przed Cartesią Sonic 3.6. Poprzednik v3 jest w tym samym zestawieniu na 17. miejscu z 1170 punktami. Ranking dotyczy angielskiego, dlatego polskie liczby sprawdziłem sam.

Do rozmowy na żywo liczy się czas do pierwszego dźwięku. Zmierzyłem go w trybie strumieniowym z Polski (mediana z trzech prób): Flash v2.5 0,22 s, v4 Turbo 0,25 s, v3 0,77 s, pełny v4 0,95 s. Turbo jest więc prawie tak szybki jak Flash, a na polskich liczbach wypadł jak pełny v4 i zużywa pół kredytu na znak. Do asystenta głosowego wybrałbym Turbo bez wahania, a pełny v4 zostawiłbym do nagrań, gdzie liczy się każdy niuans. W moim teście nie znalazłem jednak przewagi, która uzasadniałaby podwójne zużycie kredytów. To moja opinia.

V4 obsługuje tagi dźwiękowe w nawiasach kwadratowych, np. [whispers] albo [sighs], które model gra zamiast czytać. Wpisałem sześć tagów w polski tekst (szept, pauza, nerwowy śmiech, ekscytacja, westchnienie, sarkazm). Żaden model nie przeczytał ich na głos, co w starszych wersjach się zdarzało. Według oceny Gemini 3.1 Pro v4 Turbo zagrał wszystkie sześć, pełny v4 pięć. Obiektywny ślad widać w melodii: odchylenie wysokości tonu wyniosło 8,3 półtonu w v4 i 3,0 we Flashu, który brzmiał najbardziej płasko. Posłuchaj v4 z tagami emocji. Szczegóły premiery opisałem w tekście Eleven v4: mój test po polsku.

W pierwszym dniu serwery pracowały pod obciążeniem: generacja 353 znaków w pełnym v4 trwała u mnie 10-25 s, czyli wyraźnie wolniej niż 73,4 znaku na sekundę podawane przez Artificial Analysis. Ten pomiar traktuję jako tymczasowy.

Polskie głosy w ElevenLabs: który wybrać

Biblioteka głosów (Voice Library) to głosy udostępniane przez użytkowników. 28 września 2026 pobrałem z API listę polskich: jest ich 3836. Najpopularniejszy, Adam (męski, dojrzały, narracyjny), przeczytał w ostatnim roku 2,76 mld znaków, drugi Alex 1,03 mld, trzeci Piotr 723 mln. W pierwszej dziesiątce są tylko dwa głosy kobiece, Magdalena i Beata, więc przy poradnikach z kobiecym lektorem trzeba poszukać głębiej.

Głosy z biblioteki działają też na planie darmowym, poza nielicznymi zablokowanymi przez autorów. Gdy autor usunie głos, zachowujesz do niego dostęp przez okres wypowiedzenia, u większości popularnych polskich głosów 730 dni. Anglojęzyczny głos Alice na v4 przeczytał polskie liczby równie dobrze jak głosy polskie, ale do nagrań po polsku i tak wybieram głos nagrany przez osobę, dla której polski jest językiem ojczystym. W API warto ustawić language_code: "pl", żeby model nie pomylił języka przy krótkich zdaniach. Więcej ustawień zebrałem w tekście ElevenLabs po polsku.

Klonowanie głosu i dubbing w ElevenLabs: moje wyniki

Klonowanie. Nie użyłem żadnego prawdziwego nagrania. Zaprojektowałem nieistniejącego lektora w Voice Design (326 kredytów za trzy warianty), nagrałem nim 116 sekund tekstu w v4 i sklonowałem go szybkim klonem (Instant Voice Cloning) z próbek 10 s, 30 s i 2 min. Podobieństwo klonu do oryginału zmierzone modelem weryfikacji mówcy WavLM wyniosło 0,990, 0,994 i 0,995, a zupełnie inny głos dostał 0,704. Utworzenie klonu nie pobrało kredytów. Uczciwie: tak wysoki wynik z 10 s wynika w dużej mierze z idealnie czystego, syntetycznego źródła. Nagranie z telefonu w pokoju najpewniej wypadnie gorzej.

Szybki klon jest dostępny od planu Starter, profesjonalny (30-180 minut nagrań, kilka godzin trenowania) od Creatora. Profesjonalnego klonu cudzego głosu ElevenLabs nie pozwala zrobić wcale, nawet za zgodą tej osoby, bo każdy przechodzi weryfikację właściciela konta. Opis całego testu jest w tekście klonowanie głosu AI w ElevenLabs.

Dubbing. Zdubbingowałem własny, fikcyjny klip 24 s z dwoma syntetycznymi mówcami z angielskiego na polski. Model v1 tłumaczył poprawnie, ale dosłownie, i pozbył się części pauz. Model v2 przetłumaczył kwestie jak lektor, który rozumie żart („co do minuty, choć raz”), a pauzy przesunął najwyżej o 0,2 s. Podobieństwo głosu do oryginału wyniosło w obu modelach ok. 0,81. Za 24 s v2 pobrał jednak 5402 kredyty wobec ok. 1200 w v1, a w API kosztuje 2,20 USD za minutę materiału. Pierwsze zlecenie v2 skończyło się statusem „completed”, a w środku był bełkot - transkrypcja źródła składała się z losowych słów w kilku alfabetach, a opłata została pobrana w całości. Drugie zlecenie na identycznym pliku zadziałało. Od tej pory przed dodaniem kolejnych języków sprawdzam transkrypcję źródła. Pełny opis: dubbing w ElevenLabs, test v1 i v2.

Eleven Music, efekty i reszta pakietu

Eleven Music to generator muzyki w tym samym koncie. Przez API wygenerowałem modelem Music v2.5 cztery utwory: podkład lo-fi i piosenkę indie pop z moim polskim tekstem, każde raz z opisem po angielsku, raz po polsku. Każdy utwór 30-45 s był gotowy w 7-10 sekund. Transkrypcja obu piosenek odtworzyła wszystkie 37 słów tekstu, a język śpiewu rozpoznano jako polski z prawdopodobieństwem ok. 98%. Opis stylu po angielsku dał nieco wierniejszy gatunek (wynik modelu CLAP wyższy o 0,07-0,15). Cztery próbki, 2,5 minuty muzyki, zużyły 5730 kredytów, czyli ok. 2300 na minutę; w API minuta kosztuje 0,15 USD. Test: Eleven Music z polskim tekstem.

Gorzej wypadł generator efektów dźwiękowych: w moim osobnym teście nie rozumiał poleceń po polsku, więc opisy efektów trzeba pisać po angielsku. W pakiecie są też transkrypcja Scribe (w API 0,22 USD za godzinę nagrania), Voice Changer i Voice Isolator (po 0,12 USD za minutę w API), edytor Studio do dłuższych projektów i platforma agentów głosowych do rozmów telefonicznych.

ElevenLabs cena: plany, kredyty i ile to w złotych

ElevenLabs nie ma polskiego cennika. Na stronie plany są w dolarach i bez podatków: Free 0 USD (10 tys. kredytów), Starter 6 USD (30 tys.), Creator 22 USD (121 tys., pierwszy miesiąc 11 USD), Pro 99 USD (600 tys.), dalej Scale 299 USD i Business 990 USD. Kwoty w złotych znalazłem tylko w polskim App Store, gdzie aplikacja sprzedaje Creatora za 99,99 zł albo 119,99 zł miesięcznie (dwie pozycje o tej samej nazwie) i 1199,99 zł rocznie, a doładowania 30 tys. i 60 tys. kredytów za 29,99 i 49,99 zł. Ceny z App Store zawierają VAT.

Kredyty zamieniam na minuty z własnych nagrań: minuta polskiej mowy to ok. 660 znaków, a v4 zużywa 1 kredyt na znak. Wychodzi ok. 15 minut mowy miesięcznie na planie darmowym, ok. 45 minut na Starterze i ok. 3 godzin na Creatorze. v4 Turbo i Flash zużywają pół kredytu, więc minut jest dwa razy więcej. Te same kredyty idą na dubbing i muzykę, a tam znikają szybciej: przy moim zużyciu Creator wystarcza na ok. 9 minut dubbingu v2 albo ok. 52 minuty muzyki.

Który plan wybrać? Free wystarczy do sprawdzenia, jak brzmi twój tekst, ale nagrań z niego nie wolno użyć komercyjnie. Starter to najtańsza licencja komercyjna i szybki klon głosu. Creator ma sens, gdy regularnie nagrywasz albo chcesz profesjonalnego klonu. API rozlicza się osobno: v4 kosztuje 0,08 USD za 1000 znaków (do 12 października 2026 w promocji 0,022 USD), v4 Turbo 0,04 USD. Szczegółowe wyliczenia są w tekście ile kosztuje ElevenLabs.

Limity i wpadki, o których cennik milczy

• Status „gotowe” nie znaczy „dobre”. Dubbing v2 oddał mi bełkot jako ukończony projekt i pobrał za niego 5402 kredyty. Odsłuch przed publikacją jest obowiązkowy.
• Domyślny model w integracji może być stary. Wtyczki i narzędzia firm trzecich często używają Multilingual v2 albo Flash v2.5, które w moim teście przeczytały poprawnie tylko 11 i 7 z 18 punktów.
• Długość generacji. V4 przyjmuje do 10 000 znaków naraz, v3 do 5000. Przy lektorze do filmu i tak generuję akapitami, bo poprawka jednego zdania nie wymaga wtedy powtarzania całości.
• Dubbing Studio tylko na v1. Ręczna edycja transkrypcji i ponowne generowanie fragmentów działa tylko na starszym modelu, a dokumentacja podaje, że Studio jest w trybie utrzymania. W v2 edycja przez API jest według dokumentacji dostępna w planie Enterprise.
• Limity plików dubbingu: w aplikacji do 1 GB i 180 minut, przez API do 3 GB.
• Kredyty nie są liczbą minut. Każda funkcja ma inną stawkę, a to samo konto obsługuje lektora, muzykę i dubbing.

Prywatność, zgoda na głos i dane

Klonując głos, przetwarzasz dane szczególnie wrażliwe. Głos w polskim prawie uznaje się za dobro osobiste, a ElevenLabs pozwala klonować wyłącznie głos, do którego masz prawo: własny albo osoby, która wyraźnie się zgodziła. Polityka firmy zabrania podszywania się pod polityków nawet za zgodą, a profesjonalny klon wymaga weryfikacji, że głos należy do właściciela konta. W dubbingu też odtwarzasz barwę konkretnych ludzi, więc zgoda dotyczy wszystkich mówców w pliku.

W regulaminie ElevenLabs, który czytałem (wersja dla kont spoza EOG, aktualizacja 31.03.2026), jest możliwość wyłączenia używania twoich treści do trenowania modeli w ustawieniach konta, w menu „Data use”. Wersji regulaminu dla EOG nie porównywałem zdanie po zdaniu. Na darmowym planie publikacja nagrań wymaga oznaczenia ElevenLabs, a zakup planu później nie zmienia statusu wcześniejszych darmowych nagrań. Ocenę prywatności obniżyłem, bo firma w polityce prywatności opisuje też zbieranie publicznie dostępnych danych do trenowania modeli.

ElevenLabs opinie: czy warto i jakie są alternatywy

Moja opinia po pięciu testach: ElevenLabs warto kupić, jeśli głos jest częścią twojej pracy. Eleven v4 to pierwszy lektor AI, któremu dałbym polski scenariusz z datami i kwotami bez rozpisywania ich słownie. Do tego dochodzi największa biblioteka polskich głosów, sensowny szybki klon i piosenki z polskim tekstem w tym samym koncie. Ocena 8,4 wynika z ceny i z wpadek, które kosztują kredyty.

Alternatywy zależą od zadania. Gemini 3.1 Flash TTS od Google przeczytał w moim teście wszystkie 18 liczb jak v4 i kosztuje 18,3 USD za milion znaków według Artificial Analysis, ale generacja 353 znaków trwała przez pośrednika 19-50 s. Gemini 3.8 Flash-Lite TTS za 11 USD zrobił jeden błąd w liczbach i to najlepszy stosunek jakości do ceny w moim zestawieniu. GPT Audio od OpenAI mówi po polsku dobrze, ale potrafi odmówić przeczytania tekstu, który uzna za polecenie. Cartesii Sonic 3.6, drugiej w rankingu naturalności, nie testowałem, bo nie miałem dostępu przez API. Pełne porównanie: ranking 14 lektorów AI, a przewodnik po wszystkich funkcjach: ElevenLabs: co to jest i jak zacząć.

ElevenLabs: ceny i plany

ElevenLabs nie ma polskiego cennika na stronie: ceny planów podaje w USD, bez podatków i opłat (odczyt elevenlabs.io/pricing z 30.09.2026). Ceny w złotych pochodzą z App Store PL (zakupy w aplikacji iOS, z VAT, odczyt 30.09.2026); App Store pokazuje dwie pozycje „Creator Monthly”, 99,99 zł i 119,99 zł, i nie wyjaśnia, od czego zależy wariant. Minuty mowy liczę z moich nagrań: ok. 660 znaków na minutę, 1 kredyt na znak w v4. API rozlicza się osobno: v4 0,08 USD za 1000 znaków, do 12.10.2026 w promocji 0,022 USD. źródło

ElevenLabs a konkurencja