Voicebot na ElevenLabs Agents: test polskiej infolinii

👁 114 przeczytań

Voicebot, czyli agent głosowy, który odbiera telefon, rozumie mowę i odpowiada głosem, da się dziś zbudować w ElevenLabs Agents, w panelu nawet bez pisania kodu. Ja postawiłem przez API fikcyjną recepcję gabinetu stomatologicznego, przeprowadziłem z nią prawdziwą rozmowę głosową po polsku (dzwonił syntetyczny głos, nie człowiek) i zmierzyłem czas reakcji, trafność rozpoznawania mowy i koszt minuty. Dołożyłem dwie symulowane rozmowy z trudnymi pacjentami. Nagranie całej rozmowy jest niżej.

01ElevenLabs 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 →02Klonowanie głosu AI w ElevenLabs: klon z 10 s i 2 minutSklonowałem wyłącznie syntetyczny głos z Voice Design: klony z 10 s, 30 s i 2 min, pomiar podobieństwa, nagrania, koszty i zasady zgody.Czytaj →03Voice 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 →04ElevenLabs 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 →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 →

Z czego składa się voicebot w ElevenLabs

ElevenAgents (wcześniej Conversational AI) łączy trzy elementy: rozpoznawanie mowy (u mnie Scribe Realtime), model językowy, który decyduje, co powiedzieć, i syntezę mowy (u mnie Eleven v4 Turbo). Do tego wykrywanie końca wypowiedzi, obsługa wtrąceń, baza wiedzy, narzędzia (np. zapis do kalendarza, przełączenie na numer telefonu) i integracje telefoniczne. Agenta tworzysz w panelu albo przez API, a rozmawiać z nim można w przeglądarce, w aplikacji lub przez numer telefonu.

// taniej niż u producentaw 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

430 zł-59%zamiast 1 056 zł35,83 zł / mies.Kup w Kinetyce →

Mój agent: recepcja gabinetu „Uśmiech”

28 września 2026 utworzyłem agenta przez API z językiem polskim, głosem Matilda i modelem Eleven v4 Turbo. Modelu językowego nie zmieniałem. Platforma przypisała domyślnie model qwen35-397b-a17b. Instrukcja do skopiowania:

Jesteś Olą, wirtualną recepcjonistką fikcyjnego Gabinetu Stomatologicznego
Uśmiech w Lublinie, ul. Narutowicza 12. Rozmawiasz przez telefon, po polsku,
krótko: jedno lub dwa zdania na odpowiedź.
Cennik: przegląd 150 zł, skaling z piaskowaniem 280 zł, wypełnienie od 250 zł.
Wolne terminy w przyszłym tygodniu: wtorek 15:30 i 17:00, czwartek 9:00.
Innych terminów nie ma.
Godziny otwarcia: poniedziałek-piątek 8:00-19:00.
Zasady: przy rezerwacji zbierz imię, nazwisko i numer telefonu, powtórz numer
do potwierdzenia. Nie udzielaj porad medycznych ani nie oceniaj, czy zabieg
będzie bolał - powiedz, że to omówi lekarz, i zaproponuj przekazanie rozmowy
do rejestracji. Nie wymyślaj terminów ani cen spoza tej listy.

Pierwsza wypowiedź: „Dzień dobry, Gabinet Stomatologiczny Uśmiech, mówi wirtualna asystentka Ola. W czym mogę pomóc?”. Od razu mówi, że to nie człowiek, co przy infolinii uważam za obowiązek. Więcej o tym w tekście o prawie do rozmowy z człowiekiem.

Test 1: prawdziwa rozmowa głosowa

Połączyłem się z agentem przez WebSocket, tak jak robi to przeglądarka. Rozmówcą był syntetyczny polski głos, który zaprojektowałem w teście klonowania głosu. Pięć jego wypowiedzi wysyłałem w czasie rzeczywistym, w paczkach po 100 ms, i mierzyłem czas od końca wypowiedzi do pierwszego pakietu odpowiedzi. Scenariusz: umówienie przeglądu, pytanie o cenę, podanie danych, pytanie o ból i pożegnanie.

Rozpoznawanie mowy nie pomyliło żadnego słowa, także numeru telefonu podanego słownie w trzech grupach. Czas reakcji mierzyłem z Polski, bez sieci telefonicznej, która doda swoje opóźnienie. Średnia wyszła 1,39 s. To moja opinia: poniżej 1,2 s rozmowa brzmi naturalnie, przy 2,3 s pauza jest już wyraźna, ale jeszcze nie niezręczna.

Przy pierwszej próbie mój skrypt zaczął mówić, zanim agent skończył powitanie. Przerwał wypowiedź i zaczął słuchać. Wtrącanie się działa więc tak jak w rozmowie z człowiekiem.

Test 2: symulowani trudni pacjenci

ElevenLabs pozwala sprawdzić agenta rozmową z innym modelem, który gra klienta, i ocenić wynik własnymi kryteriami. Ustawiłem dwa: „bez zmyślonych terminów i cen” oraz „bez porad medycznych”.

• Pacjent chce tylko sobotę i naciska. Agent trzy razy odmówił, trzymając się godzin otwarcia, i zaproponował terminy z listy. Oba kryteria: spełnione.
• Pacjent twierdzi, że znajomy dostał 30% rabatu, i pyta o lek przeciwbólowy. Agent nie potwierdził rabatu, podał cenę z cennika i odesłał pytanie o lek do lekarza. Oba kryteria: spełnione.

W obu symulacjach i w rozmowie głosowej powtórzył się jednak ten sam problem: agent mówił „przekażę prośbę recepcjonistce” albo „połączę pana z rejestracją”, choć nie skonfigurowałem żadnego przekierowania. Sam go do tego skłoniłem instrukcją, ale w prawdziwej infolinii to obietnica bez pokrycia. Przed wdrożeniem dodaj narzędzie przełączenia na numer albo usuń takie zdanie z instrukcji.

Symulację uruchomisz jednym poleceniem (przetestowane 28.09.2026):

curl -X POST https://api.elevenlabs.io/v1/convai/agents/AGENT_ID/simulate-conversation \
  -H "xi-api-key: $ELEVENLABS_API_KEY" -H "Content-Type: application/json" \
  -d '{"simulation_specification":{"simulated_user_config":{"prompt":{"prompt":"Jestes pacjentem. Mowisz po polsku, krotko. Pytasz, czy gabinet przyjmuje w niedziele."},"language":"pl"}},"new_turns_limit":4}'

Ile kosztuje voicebot w ElevenLabs

Minuta ponad pakiet kosztuje 0,08 USD (0,31 zł), w trybie burst przy przekroczeniu limitu rozmów jednoczesnych 0,16 USD (0,62 zł), a wiadomość tekstowa 0,003 USD. Model językowy jest rozliczany osobno. Moja 119-sekundowa rozmowa zużyła 548 kredytów za głos i 106 za model językowy, który kosztował 0,0127 USD (0,05 zł). Opłaty operatora telefonii dochodzą osobno. Pozostałe koszty ElevenLabs są w tekście ile kosztuje ElevenLabs.

Czego nie sprawdziłem

Nie podłączałem numeru telefonu (Twilio, SIP), więc nie mierzyłem jakości przez sieć komórkową. Nie sprawdzałem też bazy wiedzy ani narzędzi zapisujących wizytę w kalendarzu. Rozmówca był syntetyczny i mówił wyraźnie. Prawdziwy pacjent z szumem ulicy w tle będzie trudniejszy dla rozpoznawania mowy, co widać w moim teście Scribe na nagraniach z szumem. Pełny przegląd narzędzi jest w przewodniku ElevenLabs.

Najczęstsze pytania

Czy voicebot ElevenLabs mówi po polsku?

Tak. Mój agent rozumiał i mówił po polsku, a rozpoznawanie mowy przepisało bez błędu wszystkie 5 wypowiedzi rozmówcy, łącznie z numerem telefonu.

Ile kosztuje minuta rozmowy z agentem ElevenLabs?

Ponad pakiet w planie 0,08 USD (0,31 zł) za minutę plus koszt modelu językowego, bez VAT. Plany mają od 15 do 12 375 minut w cenie.

Jak szybko odpowiada agent głosowy ElevenLabs?

W moim teście od 0,87 do 2,29 s po zakończeniu wypowiedzi, mediana 1,16 s. Pomiar nie obejmuje opóźnienia sieci telefonicznej.

Czy agent ElevenLabs może odebrać telefon?

Tak, przez integracje telefoniczne, np. Twilio albo SIP. Tego wariantu nie sprawdzałem, rozmawiałem z agentem przez WebSocket.

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.