ElevenLabs

ElevenLabs to firma i platforma sztucznej inteligencji specjalizująca się w głosie i dźwięku. Pozwala zamieniać tekst w naturalnie brzmiącą mowę, tworzyć cyfrowe klony głosu, przygotowywać dubbing oraz zamieniać nagrania na tekst. Obsługuje również język polski. Dla mnie jej najbardziej praktycznym zastosowaniem jest przygotowanie wersji audio artykułu, której czytelnik może posłuchać zamiast czytać.

Kto stworzył ElevenLabs

Firmę założyli w 2022 roku Piotr Dąbkowski i Mateusz Staniszewski, znany również jako Mati Staniszewski. Obaj pochodzą z Polski. Impulsem do rozwoju narzędzia była chęć poprawienia jakości dubbingu. Z czasem oferta rozszerzyła się o kolejne narzędzia do generowania i przetwarzania dźwięku. Te informacje firma przedstawia w opisie ElevenLabs.

Do czego służy ElevenLabs

• Text to Speech, czyli tekst na mowę – wklejasz tekst, wybierasz głos, a system generuje nagranie lektorskie. To zastosowanie do artykułów audio, filmów, kursów i audiobooków.
• Klonowanie głosu – na podstawie próbek nagrania powstaje głos syntetyczny przypominający konkretną osobę. Później może odczytywać nowe teksty.
• Dubbing – przygotowanie wersji językowych materiału audio lub wideo.
• Speech to Text, czyli mowa na tekst – transkrypcja nagrań, przydatna na przykład przy opracowywaniu wywiadów.
• Agenci głosowi – systemy prowadzące rozmowę z użytkownikiem, na przykład w obsłudze klienta.
• Generowanie dźwięku – tworzenie efektów dźwiękowych i muzyki.

Z narzędzi można korzystać przez aplikację internetową, a programiści mogą łączyć je z własnymi systemami przez API. Zakres usług opisuje dokumentacja platformy. Warto rozróżniać dwa kierunki pracy: przygotowanie nagrania z artykułu to synteza mowy, a spisanie wypowiedzi z nagrania to transkrypcja.

Jak działa klonowanie głosu

Klon głosu nie jest zbiorem gotowych zdań wyciętych z Twoich nagrań. System wykorzystuje cechy głosu do generowania nowych wypowiedzi, również takich, których wcześniej nie nagrałeś. Dlatego podobna barwa głosu nie potwierdza, że dana osoba rzeczywiście wypowiedziała usłyszane słowa.

ElevenLabs rozróżnia dwa główne warianty:

• Instant Voice Cloning – szybkie odwzorowanie głosu z krótkiej próbki. Firma zaleca około 1–2 minut czystego nagrania. Ten wariant wykorzystuje istniejący model, zamiast trenować osobny model dla każdego głosu.
• Professional Voice Cloning – dokładniejsze odwzorowanie z dłuższego materiału, zwykle od 30 do 180 minut. Wymaga trenowania i weryfikacji własnego głosu. Według zasad platformy taki klon tworzysz dla siebie; inna osoba może przygotować i zweryfikować swój głos na własnym koncie, a następnie Ci go udostępnić.

Jakość próbek ma duże znaczenie: jeden mówca, brak muzyki, mało pogłosu i spójny sposób mówienia. Szczegóły zawiera dokumentacja klonowania głosu. Gotowe audio można pobrać, ale samego klonu nie wyeksportujesz jako modelu do uruchomienia na swoim komputerze.

Przykład: artykuł czytany moim głosem

Przykład takiego nagrania znajdziesz w moim artykule Nadpłacić kredyt czy inwestować?. Dodałem tam wersję audio wygenerowaną przy użyciu AI na podstawie mojego głosu. Możesz posłuchać i sprawdzić, jak brzmi to w praktyce.

Załóżmy, że chcę dodać do wpisu o inwestowaniu odtwarzacz z wersją audio. Najpierw dostosowuję tekst do słuchania: rozwijam skróty, upraszczam długie zdania i opisuję wnioski z tabel. Potem generuję mowę wybranym głosem, odsłuchuję wynik i poprawiam problematyczne fragmenty.

W tekstach finansowych szczególnie pilnuję liczb, procentów, nazw spółek i tickerów. Zapis „3,75%” mogę zamienić na „trzy przecinek siedemdziesiąt pięć procent”, żeby ograniczyć ryzyko błędnego odczytu. Naturalny głos nie zwalnia mnie z kontroli treści: źle przeczytana kwota może zmienić sens całego przykładu.

Przy odtwarzaczu dodałbym prostą informację: „Wersja audio wygenerowana przy użyciu AI na podstawie mojego głosu”. Czytelnik wie wtedy, jak powstało nagranie.

Prywatność głosu i danych

ElevenLabs jest usługą chmurową. Tekst i próbki głosu przekazywane do generowania trafiają do infrastruktury dostawcy. Nie traktuję tego jak programu działającego wyłącznie na moim komputerze.

Rozdzielam też dwie kwestie: udostępnienie klonu innym użytkownikom oraz wykorzystanie przesłanych danych do ulepszania modeli. Nieudostępnienie głosu w publicznej bibliotece nie oznacza automatycznie wyłączenia użycia danych do treningu.

Według wyjaśnień dotyczących wykorzystania danych można wyłączyć opcję „Improve the models for everyone” w ustawieniach „Terms and privacy” → „Data use” i zatwierdzić zmianę. Firma wskazuje, że po wyłączeniu nowe przesyłane dane nie będą używane do trenowania modeli. Nie odczytuję tego jako obietnicy cofnięcia wcześniejszego treningu ani usunięcia wszystkich danych z usługi.

Czy nagrania można publikować komercyjnie

Według zasad publikowania ElevenLabs darmowy plan nie obejmuje licencji komercyjnej. Płatne plany obejmują taką licencję przy spełnieniu warunków usługi i posiadaniu praw do wykorzystywanych materiałów. Wyjątkiem są usługi Beta, dla których obowiązują dodatkowe ograniczenia.

Przy publikacji na zarabiającym blogu lub kanale sprawdzam warunki konkretnej funkcji oraz plan obowiązujący w chwili generowania. Samo późniejsze wykupienie abonamentu nie nadaje komercyjnej licencji nagraniom utworzonym wcześniej w planie darmowym. Przy dozwolonej publikacji niekomercyjnej materiałów z darmowego planu obowiązuje również wskazanie ElevenLabs zgodnie z zasadami platformy.

Najczęstsze pytania

Czy ElevenLabs mówi po polsku?

Tak. Język polski jest obsługiwany przez modele syntezy mowy. Jakość wymowy i intonacji zależy między innymi od wybranego modelu, głosu i przygotowania tekstu. Przed publikacją odsłuchuję całe nagranie.

Czy muszę klonować własny głos?

Nie. Możesz skorzystać z gotowego głosu albo stworzyć głos na podstawie opisu. Klonowanie przydaje się wtedy, gdy zależy Ci na zachowaniu rozpoznawalnego brzmienia autora.

Czy klon głosu brzmi zawsze identycznie jak człowiek?

Nie ma takiej gwarancji. Mogą pojawić się błędy wymowy, nietypowe pauzy albo intonacja, której autor sam by nie użył. Podobieństwo głosu i poprawność konkretnego nagrania oceniam osobno.

Czy nagranie znajomym głosem jest dowodem tożsamości?

Nie. Głos można syntetyzować. Jeśli ktoś dzwoni z prośbą o pilny przelew, sam znajomy ton nie jest dla mnie wystarczającym potwierdzeniem. Sprawdzam prośbę niezależnym kanałem, na przykład oddzwaniając na wcześniej zapisany numer.