> This is a page from the ElevenLabs documentation. For a complete page index, fetch https://elevenlabs.io/docs/llms.txt. For the full documentation in a single file, fetch https://elevenlabs.io/docs/llms-full.txt. # Text to Speech ## Przegląd Technologia Text to Speech od ElevenLabs jest kluczową częścią naszej oferty i zapewnia wysokiej jakości mowę generowaną przez AI w różnych zastosowaniach na całym świecie. Prawdopodobnie już spotkałeś się z naszymi głosami w praktyce, które dostarczają realistycznych wrażeń audio. Wygenerowanie pierwszego audio z Text to Speech jest bardzo proste. Aby jednak w pełni wykorzystać tę funkcję, warto pamiętać o kilku rzeczach. ## Przewodnik ![Demo Text to Speech](/docs/_fern-img/32b6abef4b76c8652b0e55dbb26c9694fdc82e191a062678b93c9a5ca5d80c94.webp) #### Dostosuj ustawienia (opcjonalnie) #### Wprowadzanie tekstu Wpisz lub wklej tekst w polu wprowadzania na stronie Text to Speech. #### Wybór głosu Wybierz głos, którego chcesz użyć, w sekcji Your Voices w lewym dolnym rogu ekranu. #### Dostosuj ustawienia (opcjonalnie) Zmień ustawienia głosu, aby uzyskać oczekiwany rezultat. #### Generowanie Kliknij przycisk „Generate”, aby utworzyć plik audio. ## Ustawienia Poznaj głosy, modele i ustawienia, które pomogą ci tworzyć wysokiej jakości mowę. Używane ustawienia, zwłaszcza głos i model, mają duży wpływ na wynik. Warto je poznać i zrozumieć najważniejsze praktyki. Inne ustawienia też wpływają na wynik, ale mniej niż wybrany głos i model. Kolejność ważności wygląda tak: wybór **głosu** jest najważniejszy, potem wybór **modelu**, a następnie **ustawienia** modelu. Wszystkie te elementy oraz ich połączenie wpływają na wynik. #### Głosy ### Głosy ![Wybór głosu Text to Speech](/docs/_fern-img/a1a2f62118fa246f300c666a5a4f3fbd18cc9bfed023a8c6a010782545da1254.webp) Oferujemy wiele rodzajów głosów, w tym starannie dobrane **domyślne głosy**, rozbudowaną **Voice Library **with niemal każdym głosem, jaki możesz sobie wyobrazić, w pełni syntetyczne głosy tworzone za pomocą narzędzia **Voice Design**, a także własną kolekcję sklonowanych głosów, którą możesz utworzyć dzięki dwóm technologiom: **Instant Voice Cloning** i **Professional Voice Cloning**. Nie wszystkie głosy są takie same, a wiele zależy od źródłowego audio użytego do ich utworzenia. Niektóre głosy zapewnią lepszą, bardziej ludzką interpretację i sposób mówienia, a inne będą stabilniejsze. **Wybór właściwego głosu do konkretnej treści jest kluczowy.** To prawdopodobnie decyzja, która ma największy wpływ na końcowy wynik. Określa płeć, ton, akcent, rytm i sposób mówienia. Warto poświęcić więcej czasu na wybór idealnego głosu i odpowiednie testy, aby upewnić się, że jest spójny i spełnia twoje oczekiwania. Aby generować mowę w konkretnym języku, najlepiej użyć rodzimego głosu z Voice Library lub sklonować głos mówiący w tym języku z właściwym akcentem. Technicznie każdy głos może mówić w dowolnym języku, ale zachowa swój oryginalny akcent. Na przykład użycie rodzimego głosu angielskiego do generowania francuskiej mowy prawdopodobnie da wynik po francusku, ale z angielskim akcentem, ponieważ AI musi uogólnić, jak ten głos brzmiałby w języku, na którym nie był trenowany. [Dowiedz się więcej o głosach](/docs/pl/overview/capabilities/voices) Jeśli podoba ci się głos, ale chcesz zmienić sposób jego mówienia, pomoże ci nasze narzędzie [Voice Remixing](/docs/pl/overview/capabilities/voice-remixing). Pozwala używać promptów w języku naturalnym do zmiany sposobu mówienia, rytmu, tonu, płci, a nawet akcentu. Przy zmianie akcentu bardzo ważne są głos bazowy i docelowy akcent. Wyniki mogą się różnić: czasem wszystko działa idealnie, a innym razem potrzeba kilku prób. Voice Remixing może dać bardzo dobre wyniki, ale zwykle nie będą one tak dobre jak przy poprawnie sklonowanym Professional Voice Clone. Będą bliższe jakości Instant Voice Clone. Pamiętaj, że remiksowanie głosu działa tylko dla wybranych głosów. Na przykład nie możesz remiksować głosów z Voice Library; możesz remiksować tylko głosy utworzone przez siebie lub głosy domyślne. #### Modele ### Modele ![Wybór modelu Text to Speech](/docs/_fern-img/aa32e23cc2a196a48ff47650249e612e7e5da023fd2f69244f27c5fea7968b75.webp) Oferujemy dwie rodziny modeli: modele **Standard (wysokiej jakości)** oraz modele **Flash**, zoptymalizowane pod kątem bardzo niskich opóźnień. Większość rodzin obejmuje wersje wyłącznie angielskie i wielojęzyczne. [Eleven v4](/docs/pl/overview/capabilities/text-to-speech/eleven-v4) to nasz najnowszy model. Występuje w dwóch wariantach: Eleven v4 i Eleven v4 Turbo. Wybór modelu to drugi najważniejszy czynnik wpływający na końcowy wynik audio, zaraz po wyborze głosu. Warto przetestować różne modele z wybranym głosem, aby znaleźć najlepsze połączenie. Wszystkie nasze modele mają mocne i słabe strony, a z niektórymi głosami działają lepiej niż z innymi, dlatego ważne jest znalezienie dobrego zestawu. Jeśli wynik będzie wyłącznie po angielsku, zdecydowanie zalecamy użycie jednego z naszych modeli tylko dla języka angielskiego. Zwykle łatwiej się z nimi pracuje, są stabilniejsze i zazwyczaj lepiej działają z treściami wyłącznie po angielsku. Jeśli twoje treści będą w innym języku lub w wielu językach, musisz użyć jednego z modeli wielojęzycznych. #### [Eleven v4](/docs/pl/overview/models#eleven-v4) Nasz najbardziej emocjonalny model syntezy mowy o najwyższej jakości Wyjątkowe możliwości klonowania głosu Obsługa ponad 90 języków Limit 10 000 znaków Obsługa naturalnych dialogów wielu mówców #### [Eleven v4 Turbo](/docs/pl/overview/models#eleven-v4-turbo) Nasz najbardziej emocjonalny model syntezy mowy w czasie rzeczywistym Bardzo niskie opóźnienie (mediana opóźnienia inferencji \~100ms†) Wyjątkowe możliwości klonowania głosu Obsługa ponad 90 języków Tagi audio zapewniające precyzyjną kontrolę #### [Eleven v3](/docs/pl/overview/models#eleven-v3) Nasz ekspresyjny model syntezy mowy bogaty w emocje Dramatyczna interpretacja i wykonanie Obsługa ponad 70 języków Limit 5000 znaków Obsługa naturalnych dialogów wielu mówców #### [Eleven v3 Conversational](/docs/pl/overview/models#eleven-v3-conversational) Nasz ekspresyjny model syntezy mowy w czasie rzeczywistym Niskie opóźnienie (\~280ms) Dramatyczna interpretacja i wykonanie Obsługa ponad 70 języków Tagi audio zapewniające precyzyjną kontrolę #### [Eleven Multilingual v2](/docs/pl/overview/models#multilingual-v2) Model syntezy mowy o naturalnym brzmieniu i stałej jakości Naturalnie brzmiące nagrania Obsługa 29 języków Limit 10 000 znaków Najbardziej stabilny przy długich generacjach #### [Eleven Flash v2.5](/docs/pl/overview/models#flash-v25) Nasz szybki, przystępny cenowo model syntezy mowy Bardzo niskie opóźnienie (\~75ms†) Obsługa 32 języków Limit 40 000 znaków Szybszy model, cena za znak dla generacji API niższa o 50% [Dowiedz się więcej o naszych modelach](/docs/pl/overview/models) #### Ustawienia głosu ### Ustawienia głosu ![Ustawienia głosu Text to Speech](/docs/_fern-img/9e08b179bfd640650ca5225b7e2e5b8d9d4c192d63a80d2478e4078e408bf869.webp) Najczęściej używa się stabilności około 50, podobieństwa około 75 i stylu ustawionego na 0, a później wprowadza tylko niewielkie zmiany. Oczywiście wszystko zależy od oryginalnego głosu i stylu interpretacji, który chcesz uzyskać. Warto pamiętać, że AI jest niedeterministyczna; ustawienie suwaków na konkretne wartości nie gwarantuje za każdym razem tych samych wyników. Suwaki działają raczej jak zakres, określając, jak duża może być losowość między kolejnymi generowaniami. #### Szybkość Ustawienie szybkości pozwala przyspieszyć lub spowolnić generowaną mowę. Wartość domyślna to 1.0, czyli szybkość nie jest zmieniana. Wartości poniżej 1.0 spowalniają głos, maksymalnie do 0.7. Wartości powyżej 1.0 przyspieszają głos, maksymalnie do 1.2. Skrajne wartości mogą wpłynąć na jakość generowanej mowy. > **Note** > > Szybkość nie jest dostępna dla modelu Eleven v3. #### Stabilność Suwak stabilności określa stabilność głosu i losowość między kolejnymi generowaniami. Obniżenie tego suwaka zwiększa zakres emocji głosu. Jak wspomniano wcześniej, duży wpływ ma też oryginalny głos. Zbyt niskie ustawienie może prowadzić do dziwnych, zbyt losowych interpretacji i sprawić, że postać będzie mówić zbyt szybko. Z kolei zbyt wysokie ustawienie może dać monotonny głos o ograniczonych emocjach. Aby uzyskać żywszą i bardziej dramatyczną interpretację, zalecamy obniżenie stabilności i wygenerowanie kilku wersji, aż znajdziesz taką, która ci odpowiada. Jeśli natomiast chcesz uzyskać bardziej poważną interpretację, przy bardzo wysokich wartościach nawet zbliżoną do monotonnej, zalecamy zwiększenie stabilności. Ponieważ wynik jest bardziej spójny i stabilny, zwykle nie musisz generować tylu próbek, by osiągnąć pożądany efekt. Eksperymentuj, aby znaleźć ustawienia najlepsze dla siebie! #### Podobieństwo Suwak podobieństwa określa, jak ściśle AI powinna trzymać się oryginalnego głosu podczas jego odtwarzania. Jeśli oryginalne audio jest słabej jakości, a suwak podobieństwa ustawisz zbyt wysoko, AI może odtworzyć artefakty lub szum tła, jeśli występowały w oryginalnym nagraniu. > **Note** > > Podobieństwo nie jest dostępne dla modelu Eleven v3. #### Wzmocnienie stylu Wraz z nowszymi modelami dodaliśmy ustawienie wzmocnienia stylu. Próbuje ono uwydatnić styl oryginalnego mówcy. Zużywa dodatkowe zasoby obliczeniowe i może zwiększać opóźnienie, jeśli ustawisz wartość inną niż 0. Warto pamiętać, że użycie tego ustawienia może nieznacznie zmniejszyć stabilność modelu, ponieważ stara się on podkreślić i naśladować styl oryginalnego głosu. *Ogólnie zalecamy, aby zawsze pozostawić to ustawienie na 0.* #### Speaker Boost To ustawienie zwiększa podobieństwo do oryginalnego mówcy. Wymaga jednak nieco większej mocy obliczeniowej, co zwiększa opóźnienie. Różnice wprowadzane przez to ustawienie są zwykle dość subtelne. > **Note** > > Speaker Boost nie jest dostępny dla modelu Eleven v3. #### Efekty audio ### Efekty audio Efekty audio przetwarzają wygenerowaną mowę tak, aby brzmiała, jakby została nagrana w konkretnym miejscu lub przez określone urządzenie. Są stosowane po generowaniu i nie zmieniają kosztu. Otwórz sekcję **Efekty audio** w panelu ustawień i kliknij **Dodaj efekt**. Każdy typ efektu można dodać tylko raz: * **Filtr**: nadaje głosowi barwę, na przykład linii telefonicznej, starego radia lub robota. * **Szum**: zapętla pod głosem tło, takie jak kawiarnia, call center, miasto lub odgłos pisania na klawiaturze. * **Przestrzeń**: umieszcza głos w pomieszczeniu lub plenerze z pasującym pogłosem — od małego pokoju po halę lub las. * **Odległość**: określa, jak daleko mówca znajduje się od mikrofonu: **Blisko**, **Średnio** lub **Daleko**. Po dodaniu efektu kliknij **Podgląd**, aby przed generowaniem usłyszeć bieżące efekty na przykładowym głosie. Aby usunąć efekt, kliknij przycisk usuwania w jego wierszu. > **Note** > > Efekty audio są dostępne na karcie Text to Speech. Aby zastosować efekty do dialogu, użyj parametru > [`audio_effects`](/docs/pl/api-reference/text-to-dialogue/convert#request.body.audio_effects) > w API Text to Dialogue. ## Generowanie Po wybraniu głosu, modelu i skonfigurowaniu ustawień proces generowania jest prosty: wpisujesz tekst, naciskasz „**Generuj mowę**”, a następnie generowane jest audio. Choć na pierwszy rzut oka proces jest bardzo prosty, podany tekst ma ogromne znaczenie dla uzyskania pożądanego wyniku. Używanie słów, które mogą być „poza rozkładem” — czyli rzeczy, z którymi AI rzadko spotykała się podczas trenowania — takich jak dziwne nazwy, nietypowe skróty, symbole czy nawet emoji, może zdezorientować AI i sprawić, że wynik będzie mniej stabilny. Emoji i niektóre symbole są dla AI szczególnie trudne do poprawnej interpretacji. Gdy korzystasz z Text to Speech w interfejsie, automatycznie normalizujemy dane wejściowe, aby poprawić czytelność tekstu i ułatwić AI jego przetwarzanie. Zwykle ten krok zamienia symbole i liczby na zapis słowny, wskazując AI poprawną wymowę. Zdecydowanie zalecamy, aby nie zapisywać liczb cyframi ani nie używać symboli, zwłaszcza w modelach wielojęzycznych, choć dotyczy to też modeli tylko angielskich. Liczby i symbole zapisuje się tak samo w wielu językach, ale wymawia inaczej, więc użycie cyfr tworzy dla AI niejednoznaczność. Na przykład liczba „1” jest zapisywana identycznie po angielsku i w wielu innych językach, ale wymawiana inaczej. Zapisanie liczby słownie, na przykład „one”, eliminuje potrzebę interpretowania przez AI, co ma zrobić. Pracujemy nad bardziej zaawansowanymi workflow, które pozwolą ci wpływać na sposób mówienia i interpretację AI za pomocą tak zwanych **tagów audio**. Ta funkcja jest dostępna w Eleven v4 i Eleven v3. Jeśli chcesz dowiedzieć się więcej, przeczytaj nasz [przewodnik po promptach](/docs/pl/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4). ## FAQ #### Dobre dane wejściowe to dobry wynik Pierwszym i jednym z najważniejszych czynników jest to, że dobre, wysokiej jakości i spójne dane wejściowe dają dobry, wysokiej jakości i spójny wynik. Jeśli podasz AI audio dalekie od ideału — na przykład z dużym szumem, pogłosem przy wyraźnej mowie, wieloma mówcami lub niespójną głośnością, interpretacją czy sposobem mówienia — AI stanie się mniej stabilna, a wynik będzie bardziej nieprzewidywalny. Jeśli planujesz sklonować własny głos, zdecydowanie zalecamy zapoznanie się z wytycznymi w dokumentacji dotyczącymi tworzenia poprawnych klonów głosu. Zapewnią ci one najlepszą możliwą podstawę na start. Nawet jeśli zamierzasz korzystać tylko z Instant Voice Clones, warto też przeczytać sekcję Professional Voice Cloning. Zawiera ona cenne informacje o tworzeniu klonów głosu, choć wymagania tych dwóch technologii nieco się różnią. #### Użyj właściwego głosu Drugim czynnikiem jest to, że wybrany głos ma ogromny wpływ na wynik. Jak wspomniano przy pierwszym czynniku, niezwykle ważna jest nie tylko jakość i spójność próbek użytych do utworzenia konkretnego klonu, ale także język i ton głosu. Jeśli chcesz uzyskać głos brzmiący radośnie i pogodnie, użyj głosu sklonowanego z radosnych i pogodnych próbek. Z kolei jeśli zależy ci na głosie brzmiącym refleksyjnie i posępnie, wybierz głos o takich cechach. Kluczowe jest jednak także użycie głosu wytrenowanego w odpowiednim języku. Na przykład wszystkie profesjonalne klony głosów, które oferujemy jako głosy domyślne, są głosami angielskimi i trenowano je na angielskich próbkach. Dlatego ich interpretacja w innych językach może być nieprzewidywalna. Należy użyć głosu sklonowanego z próbek, w których mówił on w języku, którym ma później mówić AI. #### Używaj poprawnego formatowania Może się to wydawać drobiazgiem, ale może mieć duże znaczenie. AI próbuje zrozumieć, jak coś przeczytać, na podstawie kontekstu samego tekstu — nie tylko użytych słów, lecz także ich połączenia, interpunkcji, gramatyki i ogólnego formatowania tekstu. Może to niewiele, ale wyraźnie wpłynąć na sposób mówienia AI. Jeśli popełnisz błąd w słowie, AI go nie poprawi i spróbuje przeczytać je tak, jak zostało zapisane. #### Niedeterministyczność Ustawienia AI są niedeterministyczne, co oznacza, że nawet przy tych samych warunkach początkowych — głosie, ustawieniach i modelu — wynik będzie nieco inny, podobnie jak aktor głosowy za każdym razem przedstawia rolę trochę inaczej. Ta zmienność może wynikać z różnych czynników, takich jak wspomniane wcześniej opcje: głos, ustawienia i model. Zwykle jej zakres można kontrolować suwakiem stabilności. Niższa stabilność oznacza większą różnorodność między generowaniami, ale też większą zmienność między nimi, dzięki czemu AI może interpretować tekst bardziej ekspresyjnie. Większa zmienność często jest pożądana, ponieważ zbyt wysoka stabilność może sprawić, że niektóre głosy będą brzmiały monotonnie — AI nie ma wtedy takiej swobody, by generować bardziej zróżnicowane treści. Zbyt niska stabilność może jednak powodować inne problemy, przez które generacje stają się niestabilne, zwłaszcza w przypadku głosów wykorzystujących mniej niż idealne audio w procesie klonowania. Domyślne ustawienie 50 to zwykle świetny punkt wyjścia dla większości zastosowań. #### Czym jest Eleven v4? > **Info** > > Zalecamy przejście na Eleven v4 i przetestowanie go na własnych treściach. Eleven v4 to nasz najnowszy i najbardziej zaawansowany model Text to Speech oraz pierwszy z nowej generacji modeli. W porównaniu z Eleven v3 poprawia jakość wyników, wierność głosu, emocje, tagi audio i obsługę języków. Dokładność klonowania głosu robi duży krok naprzód w Eleven v4. Klonowane głosy wierniej niż w jakimkolwiek wcześniejszym modelu oddają cechy głosu źródłowego — barwę, rytm i sposób mówienia. Instant Voice Clones (IVC) są w Eleven v4 dokładniejsze niż kiedykolwiek. Wierniej oddają najważniejsze cechy głosu źródłowego, więc łatwiej szybko stworzyć przekonujący klon na podstawie krótkiej próbki audio. Professional Voice Clones (PVC) są w pełni obsługiwane w Eleven v4. Korzystają z tych samych ulepszeń dokładności głosu i oferują wierniejsze odwzorowanie głosu źródłowego w workflow wymagających najwyższej spójności i kontroli. Eleven v4 występuje w dwóch wariantach, więc możesz wybrać odpowiedni balans jakości i szybkości dla swojego zastosowania: * **Eleven v4** (`eleven_v4`) — nasz model o najwyższej jakości, idealny do tworzenia treści, audiobooków, głosów postaci i zastosowań, w których jakość jest najważniejsza. * **Eleven v4 Turbo** (`eleven_v4_turbo`) — bardzo wysoka jakość przy imponująco niskich opóźnieniach, stworzony do zastosowań w czasie rzeczywistym, takich jak agenci konwersacyjni i interaktywne doświadczenia głosowe. Oba warianty korzystają z dwóch ustawień głosu: Stability i Similarity. Suwaki Style i Speed nie są dostępne w Eleven v4, a SSML nie jest obsługiwany. Gdy język, w którym generujesz, jest taki sam jak język głosu referencyjnego, oryginalny akcent zostaje zachowany tak jak wcześniej. Gdy język generowania różni się od języka głosu referencyjnego, Eleven v4 generuje płynną, naturalnie brzmiącą mowę w języku docelowym — zamiast przenosić akcent głosu referencyjnego z jego oryginalnego języka. Możesz generować za pomocą [Utwórz mowę](/docs/pl/api-reference/text-to-speech/convert) i [Streamuj mowę](/docs/pl/api-reference/text-to-speech/stream), używając ID modelu `eleven_v4`. W przypadku wielu mówców użyj [Utwórz dialog](/docs/pl/api-reference/text-to-dialogue/convert) i [Streamuj dialog](/docs/pl/api-reference/text-to-dialogue/stream). Informacje o klonowaniu, akcentach, porównaniach i pełny opis znajdziesz w [Eleven v4](/docs/pl/overview/capabilities/text-to-speech/eleven-v4). Informacje o tagach i promptowaniu znajdziesz w [Promptowanie Eleven v4](/docs/pl/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4). #### Czym jest Eleven v3? > **Info** > > Zalecamy przejście na [Eleven v4](/docs/pl/help-center/product/core-capabilities/text-to-speech/what-is-eleven-v4) i przetestowanie go > na własnych treściach. Wiele technik promptowania dla [Eleven v4](/docs/pl/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4) działa też w > Eleven v3. Eleven v3 to ekspresyjny model Text to Speech o szerokim zakresie emocji. Generuje naturalną, realistyczną mowę z bogatą ekspresją emocjonalną i rozumieniem kontekstu w ponad 70 językach. Eleven v3 oferuje: * Obsługę tagów audio * emocje: `[sad]` `[angry]` `[happily]` * wskazówki dotyczące sposobu mówienia: `[whispers]` `[shouts]` * reakcje niewerbalne: `[laughs]` `[clears throat]` `[sighs]` * Tryb dialogu zapewniający naturalnie brzmiące audio z wieloma mówcami * Obsługę ponad 70 języków Ten model dobrze sprawdza się w rozmowach postaci, narracji audiobooków i emocjonalnych dialogach. Możesz generować przez API za pomocą endpointów [Utwórz mowę](/docs/pl/api-reference/text-to-speech/convert) i [Streamuj mowę](/docs/pl/api-reference/text-to-speech/stream), podając ID modelu `eleven_v3`. Możesz też użyć endpointów [Utwórz dialog](/docs/pl/api-reference/text-to-dialogue/convert) i [Streamuj dialog](/docs/pl/api-reference/text-to-dialogue/stream), aby stworzyć naturalnie brzmiący dialog z wieloma mówcami. Więcej informacji znajdziesz w tych materiałach: * [Modele](/docs/pl/overview/models#eleven-v3) * [Przewodnik po promptowaniu](/docs/pl/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4) #### Czy mogę zmienić tempo głosu? Regulacja szybkości głosu jest dostępna w Text to Speech przez Speech Synthesis, Studio, ElevenAgents i nasze API. Szybkość głosu możesz ustawić za pomocą opcji Speed. Dostępne wartości mieszczą się w zakresie od 0.7 do 1.2. Wartości poniżej 1 spowalniają mowę, a wartości powyżej 1 ją przyspieszają. Skrajne wartości mogą wpłynąć na jakość generowanej mowy. To ustawienie jest dostępne dla wszystkich głosów i modeli. Znajdziesz je w ustawieniach głosu. ![](/docs/_fern-img/a1130594e85e35a2a3073530577fd85e902b7886cbf442a18b4422d9084dfcec.webp) Informacje o sterowaniu mową przez API znajdziesz w naszej [dokumentacji API.](/docs/pl/api-reference/text-to-speech/convert#request.body.voice_settings.speed) #### Czy mogę używać tego samego sklonowanego/zaprojektowanego głosu w różnych językach? Każdy głos może mówić w dowolnym z obsługiwanych języków. W obecnym modelu nie wybierasz konkretnego języka. Zamiast tego piszesz w języku, w którym AI ma mówić, a AI automatycznie go rozpoznaje. Ponieważ różne języki mogą mieć podobne słowa i słownictwo, ale zupełnie inną wymowę i akcent, użyj sklonowanego głosu utworzonego na podstawie nagrania w danym języku i z właściwym akcentem. Język określa tekst, a akcent i wymowę sam głos. Aby działać optymalnie, AI potrzebuje obu tych kontekstów. Pracujemy nad nową technologią, która ułatwi wybór języka, ale ze względu na sposób działania AI wciąż jest to w trakcie rozwoju. #### Jak pobrać pliki wygenerowane w Text to Speech? Wygenerowane pliki możesz pobrać na dwa sposoby: Możesz pobrać plik od razu po wygenerowaniu treści, klikając przycisk pobierania w prawym dolnym rogu. Wcześniej wygenerowane pliki możesz pobrać z historii. Aby otworzyć historię, zaloguj się na konto, wybierz **Text to Speech** na pasku bocznym, a następnie kliknij kartę historii w panelu po prawej stronie ekranu. Na wąskich ekranach możesz otworzyć historię, klikając ikonę historii nad przyciskiem **Generuj mowę**. W historii kliknij ikonę pobierania, aby wybrać pobranie pliku jako MP3 (128 kb/s) lub WAV. Możesz też kliknąć **Zaawansowane**, aby pobrać plik w dodatkowych formatach: * MP3 (192 kb/s) * MP3 (256 kb/s) * M4A * FLAC #### Czy głosy mogą odtwarzać dźwięk oddychania? Tak. W Eleven v4 i Eleven v3 możesz używać tagów audio, takich jak `[sighs]` lub `[exhales]`, aby dodać oddechy i podobne reakcje do wygenerowanej mowy. Więcej o tagach audio i kontroli sposobu wypowiedzi znajdziesz w [przewodniku po promptowaniu](/docs/pl/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4). #### Czy oferujecie model AI do rozmów lub chatbotów? Nasze modele Flash i Turbo zostały stworzone specjalnie do zastosowań wymagających niskich opóźnień. Flash v2 i Flash v2.5 to nasze modele o ultraniskich opóźnieniach, generujące audio w mniej niż 75 ms. Flash v2 obsługuje tylko angielski, a Flash v2.5 — 32 języki. Pełną listę obsługiwanych języków znajdziesz [tutaj](/docs/pl/help-center/other/what-languages-do-you-support). Nasze modele Turbo również mają niskie opóźnienia, ale ponieważ modele Flash dają bardzo podobne wyniki, polecamy Flash zamiast Turbo. Turbo v2 obsługuje tylko angielski, a Turbo v2.5 — 32 języki. Jest też o 25% szybszy od Turbo v2 i generuje audio w około 300 ms. Zarówno Flash, jak i Turbo to mocno zoptymalizowane modele, stworzone specjalnie do zastosowań wymagających niskich opóźnień — bez utraty jakości głosu i przy zachowaniu standardu jakości znanego z naszych modeli. Oba modele są tańsze przy generowaniu przez API. Szczegóły znajdziesz w cenniku API. Oferujemy też ElevenAgents, naszą platformę do wdrażania dostosowanych, interaktywnych agentów głosowych. Więcej informacji znajdziesz w dokumentacji ElevenAgents. #### Jak dodać pauzy? Możesz dodać pauzę lub przerwę na kilka sposobów i wpłynąć na rytm oraz tempo wypowiedzi. Wybrana metoda zależy od modelu. ## Tagi audio (Eleven v4 i Eleven v3) W Eleven v4 i Eleven v3 używaj tagów audio oraz interpunkcji, aby kontrolować tempo i sposób wypowiedzi. Te modele nie obsługują tagów przerw SSML. Wskazówki dotyczące pauz i sposobu wypowiedzi znajdziesz w [przewodniku po promptowaniu](/docs/pl/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4). ## Tagi przerw (Multilingual v2, Flash v2 i Flash v2.5) Najbardziej niezawodnym sposobem dodania pauzy w Multilingual v2, Flash v2 i Flash v2.5 jest użycie składni tagu przerwy SSML ``. Tworzy ona dokładną i naturalną pauzę w mowie. To nie jest tylko cisza wstawiona między słowa — model rozumie tę składnię i dodaje naturalną pauzę. Sposób obsługi tych pauz przez model może się różnić. Użyty głos odgrywa kluczową rolę w wyniku. Niektóre głosy, trenowane z kilkoma „eee” i „yyy”, mogą dodawać takie manieryzmy podczas pauz, jak robi to prawdziwy mówca. Przykład może wyglądać tak: „Daj mi sekundę, żebym to przemyślał.” `` „Tak, to by zadziałało.” Czas przerwy należy podawać w sekundach. AI obsługuje pauzy do 3 sekund i można ich używać w Text to Speech oraz przez API. Użycie zbyt wielu przerw SSML w tekście może powodować problemy. Mowa może przyspieszyć, a w audio może pojawić się więcej szumów i innych artefaktów. Pracujemy nad rozwiązaniem tego problemu. ## Interpunkcja Te opcje są mniej niezawodne niż tagi przerw lub tagi audio, ale nadal mogą wpłynąć na tempo. Zwykły myślnik `-` lub pauza `—` często działają dobrze. Aby uzyskać dłuższą pauzę, możesz dodać kilka myślników, np. `-- --`. „Robi - się - późno.” Wielokropek `...` może czasem dodać pauzę między słowami, ale zwykle wprowadza też do głosu wahanie lub nerwowość, które nie zawsze pasują. „Ja... tak, chyba tak..." #### Jak wymusić konkretną wymowę słowa lub nazwy? Eleven v3 ma natywną obsługę międzynarodowego alfabetu fonetycznego (IPA). Więcej informacji znajdziesz w [IPA w Eleven v3](/docs/pl/overview/capabilities/text-to-speech/best-practices#ipa-with-eleven-v3). ## Tagi fonemów SSML (tylko Flash v2 i Turbo v2) W Flash v2 i Turbo v2 możesz wymusić określoną wymowę za pomocą tagów fonemów SSML. Obsługujemy zarówno IPA, jak i CMU. W obecnej implementacji CMU jest zwykle nieco bardziej przewidywalne i spójne. Więcej informacji znajdziesz w naszym [przewodniku po wymowie](/docs/pl/overview/capabilities/text-to-speech/best-practices#pronunciation). ## Alternatywna pisownia Możesz też znaleźć alternatywną pisownię i zapisać słowo bardziej fonetycznie. Możesz używać różnych sztuczek, takich jak wielkie litery, myślniki, apostrofy, a nawet pojedyncze cudzysłowy wokół jednej litery lub kilku liter. Na przykład słowo „trapezii” można zapisać jako „trapezIi”, aby mocniej podkreślić „ii” w tym słowie. #### Jak działają tagi audio w Eleven v3 i v4? [Eleven v4](/docs/pl/overview/capabilities/text-to-speech/eleven-v4) i Eleven v3 obsługują tagi audio. Polecamy Eleven v4. Umieść krótką instrukcję w nawiasach kwadratowych i wstaw ją w tekście tam, gdzie ma zmienić się sposób wypowiedzi. Te same tagi działają w obu modelach. * Emocje: `[curious]` `[crying]` `[mischievously]` * Wskazówki dotyczące sposobu wypowiedzi: `[whispers]` `[shouts]` * Ludzkie reakcje: `[laughs]` `[clears throat]` `[sighs]` Więcej szczegółów znajdziesz w naszym [przewodniku po promptowaniu](/docs/pl/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4). Możesz generować przez API za pomocą endpointów [Create speech](/docs/pl/api-reference/text-to-speech/convert) i [Stream speech](/docs/pl/api-reference/text-to-speech/stream), podając identyfikator modelu `eleven_v4` lub `eleven_v3`. Możesz też użyć endpointów [Create dialogue](/docs/pl/api-reference/text-to-dialogue/convert) i [Stream dialogue](/docs/pl/api-reference/text-to-dialogue/stream), aby tworzyć naturalnie brzmiące dialogi z wieloma mówcami. W zastosowaniach w czasie rzeczywistym Eleven v4 Turbo (`eleven_v4_turbo`) również obsługuje tagi audio. Więcej informacji znajdziesz tutaj: * [Modele](/docs/pl/overview/models) * [Przewodnik po promptowaniu](/docs/pl/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4) #### Jak pobrać pliki WAV, M4A i FLAC? Pliki wygenerowane w Text to Speech lub Voice Changer możesz pobrać jako MP3, WAV, M4A lub FLAC. Pliki WAV, M4A i FLAC trzeba pobrać z historii. #### **Jak pobrać pliki WAV** Wybierz **Text to Speech** lub **Voice Changer** na pasku bocznym, a następnie otwórz historię, klikając kartę historii w panelu po prawej stronie ekranu. Na wąskich ekranach możesz otworzyć historię, klikając ikonę historii nad przyciskiem **Generuj mowę**. W historii kliknij ikonę pobierania, aby wybrać pobranie pliku jako MP3 lub WAV. #### **Jak pobrać pliki FLAC lub M4A** Wybierz **Text to Speech** lub **Voice Changer** na pasku bocznym, a następnie otwórz historię, klikając kartę historii w panelu po prawej stronie ekranu. Na wąskich ekranach możesz otworzyć historię, klikając ikonę historii nad przyciskiem **Generuj mowę**. W historii kliknij ikonę pobierania, aby wybrać pobranie pliku jako MP3 lub WAV. Aby uzyskać dostęp do dodatkowych formatów, w tym FLAC i M4A, kliknij **Zaawansowane** i wybierz preferowany format. #### Jak wybrać język i akcent? **Język przy generowaniu na stronie** Gdy generujesz audio na stronie ElevenLabs, nasze AI automatycznie wykrywa język na podstawie kontekstu tekstu promptu. Dlatego najlepiej unikać używania wielu języków w jednym prompcie, ponieważ może to utrudnić określenie, którego języka użyć. Obecnie nie można wskazać języka podczas generowania na stronie. **Język przy generowaniu przez API** Jeśli generujesz audio przez API, możesz ręcznie określić język promptu za pomocą parametru `language_code`. To opcjonalny parametr, który przyjmuje kody języków ISO 639-1. Może to być przydatne w przypadku krótkich lub niejednoznacznych promptów, na przykład gdy tekst zawiera tylko liczby. Określenie języka zapewnia zastosowanie przez normalizator odpowiednich reguł dla danego języka. Więcej informacji o normalizacji znajdziesz w [tym artykule. ](/docs/pl/help-center/product/core-capabilities/text-to-speech/why-are-numbers-dates-symbols-and-acronyms-not-properly-pronounced-or-spoken-in-the-correct-language) **Akcent** Akcent używany podczas generowania pochodzi z wybranego głosu. Jeśli użyjesz głosu, który nie był trenowany w języku, w którym generujesz, możesz usłyszeć lekki akcent z oryginalnego języka tego głosu. Aby uzyskać najlepsze wyniki, polecamy użyć głosu trenowanego na nagraniach w języku, w którym generujesz, i z preferowanym akcentem. Pomaga to AI dokładniej rozumieć wymowę i intonację. Jest to szczególnie ważne w przypadku języków podobnych do siebie lub mających wiele wspólnych słów. Wybór głosu trenowanego w odpowiednim języku sprawia, że AI używa prawidłowej wymowy i akcentu. Możesz: * **Utworzyć sklonowany głos** na podstawie nagrań w preferowanym języku i akcencie. * **Przejrzeć Voice Library** i użyć filtrów wyszukiwania, aby znaleźć odpowiednie głosy, które spełniają twoje potrzeby. ![](/docs/_fern-img/b3e4de803d69ffbd3aed314c2c5f9defa87d3d7fd6fc1931a4a02278041c1c43.webp) #### Ile kosztuje generowanie w Eleven v3 (Alpha)? Koszt generowania w Eleven v3 na stronie wynosi 1 kredyt za znak. Generowanie przez API jest tańsze — szczegóły znajdziesz w [cenniku API](https://elevenlabs.io/pricing/api). Więcej informacji znajdziesz tutaj: * [Informacje o Eleven v3](https://elevenlabs.io/v3) * [Przewodnik po promptowaniu](/docs/pl/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4) #### Jak sprawić, by głos się śmiał? W Eleven v4 i Eleven v3 możesz używać [tagów audio](/docs/pl/help-center/product/core-capabilities/text-to-speech/how-do-audio-tags-work-with-eleven-v3-and-v4), takich jak `[laughs]`, by dodać śmiech i inne reakcje do generowanej mowy. Więcej informacji znajdziesz w [przewodniku po promptowaniu](/docs/pl/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4). W przypadku innych modeli emocjonalność wypowiedzi zależy od kontekstu, interpunkcji i ustawień głosu. Zobacz [Jak uzyskać emocje?](/docs/pl/help-center/product/core-capabilities/text-to-speech/how-to-produce-emotions). #### Jak uzyskać emocje? Model uwzględnia szerszy kontekst każdej wypowiedzi — ocenia, czy coś ma sens, na podstawie powiązania z poprzedzającym i następującym tekstem. Dzięki temu może właściwie intonować dłuższe fragmenty, nadając kilku zdaniom spójny wzorzec emocjonalny. Wskazówki dotyczące uzyskiwania emocji: * Kontekst jest kluczowy przy generowaniu konkretnych emocji. Jeśli wpiszesz śmieszny tekst lub tekst ze śmiechem, możesz uzyskać radosną wypowiedź. To samo dotyczy złości, smutku i innych emocji — kluczowe jest ustawienie kontekstu. * Interpunkcja i ustawienia głosu mają największy wpływ na sposób wygłoszenia tekstu. * Dodaj nacisk, ujmując ważne słowa lub frazy w cudzysłów. * W przypadku mowy generowanej klonowanym głosem styl mówienia z próbek przesłanych do klonowania jest odtwarzany w wyniku. Jeśli mowa w przesłanej próbce jest monotonna, modelowi będzie trudno wygenerować ekspresyjną wypowiedź. W Eleven v4 i Eleven v3 możesz też używać [tagów audio](/docs/pl/help-center/product/core-capabilities/text-to-speech/how-do-audio-tags-work-with-eleven-v3-and-v4), aby bardziej bezpośrednio kontrolować emocje i sposób mówienia, na przykład `[happy]`, `[sad]`, `[angry]`, `[whispers]` i `[laughs]`. Więcej informacji znajdziesz w [przewodniku po promptowaniu](/docs/pl/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4). Te wskazówki pomagają kierować emocjonalnością wypowiedzi, ale nie gwarantują konkretnego rezultatu. #### Czy można odsłuchać audio przed pobraniem bez utraty limitu? Niestety obecnie nie oferujemy naliczania opłat przy pobieraniu jako alternatywy dla naliczania przy generowaniu. Nie ma obecnie możliwości odsłuchania wygenerowanego audio bez zużywania limitu. Gdy klikniesz na stronie „Generuj”, kredyty zostaną pobrane, ponieważ serwery muszą się uruchomić, a audio musi zostać wygenerowane. Nie da się przetestować ani odsłuchać głosu na własnym tekście bez użycia kredytów. W Text to Speech na stronie pozwalamy na dwie bezpłatne regeneracje w następujących sytuacjach: * Prompt (dla Text to Speech) lub plik (dla Voice Changer), głos i model pozostają takie same. Możesz zmieniać suwaki ustawień głosu. * Pierwsze generowanie wykonano mniej niż dwie godziny temu. * Od wygenerowania oryginalnego audio nie odświeżono strony. Jeśli te warunki są spełnione, zobaczysz opcję „Wygeneruj mowę ponownie”, a po najechaniu na przycisk „Wygeneruj mowę ponownie” wyświetli się liczba pozostałych bezpłatnych regeneracji: ![](/docs/_fern-img/9b75422ebf4bee357d8eb5384d30e03a3c4c5102f422cb87c22ff09c1bfe1c8d.webp) Gdy wykorzystasz bezpłatne regeneracje, przycisk ponownie zmieni się w „Generuj mowę”, a wyświetli się liczba kredytów, które zostaną użyte do generowania: ![](/docs/_fern-img/72b5058ea9066fbad31cf1a38453ba35947cc7486eb06ded307d1ae13c1011d4.webp) Bezpłatne regeneracje są dostępne tylko w Text to Speech na stronie. Nie są dostępne przez API. Sprawdzamy, czy możemy umożliwić odsłuch w tej jakości bez podnoszenia cen lub kosztów. Szukamy też sposobów, by AI dało się lepiej kontrolować, tak aby odsłuch nie był potrzebny i by pożądany wynik udało się uzyskać już za pierwszym razem. #### Czym jest tryb Dialogue? [Eleven v4](/docs/pl/overview/capabilities/text-to-speech/eleven-v4) i Eleven v3 oferują tryb dialogu, który pozwala generować dynamiczne rozmowy z wieloma mówcami, z naturalnym tempem oraz obsługą przerwań, zmian tonu i sygnałów emocjonalnych zależnych od kontekstu rozmowy. Tryb dialogu jest dostępny, gdy używasz wielu mówców na stronie. Możesz też używać endpointów API Text to Dialogue do generowania interakcji wielu mówców. Więcej informacji znajdziesz w naszej [dokumentacji API](/docs/pl/overview/capabilities/text-to-dialogue): * [Utwórz dialog](/docs/pl/api-reference/text-to-dialogue/convert) * [Streamuj dialog](/docs/pl/api-reference/text-to-dialogue/stream) Więcej informacji znajdziesz w tych materiałach: * [Text to Dialogue](/docs/pl/overview/capabilities/text-to-dialogue) * [Przewodnik po promptowaniu](/docs/pl/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4) #### W jakich językach może mówić AI? Każdy głos może mówić w każdym języku obsługiwanym obecnie przez AI. Jeśli jednak nie używasz głosu natywnego dla języka, w którym ma mówić AI — na przykład używasz wygenerowanego głosu lub głosu sklonowanego z angielskiej mowy — AI może mieć lekki angielski akcent albo przechodzić między podobnymi językami. Pełną listę obsługiwanych języków znajdziesz w tym artykule: [Jakie języki obsługujecie?](/docs/pl/help-center/other/what-languages-do-you-support) W obecnym modelu nie wybierasz konkretnego języka. Zamiast tego piszesz w języku, w którym AI ma mówić, a AI rozpoznaje go automatycznie. Ponieważ różne języki mogą mieć podobne słowa i słownictwo, ale znacznie różnić się wymową i akcentem, używaj klonowanego głosu, który został sklonowany w danym języku i z właściwym akcentem. Zapewni to AI najwięcej kontekstu potrzebnego do określenia, jak i w jakim języku coś powiedzieć. **Język określa tekst, a akcent i wymowę — sam głos.** Pracujemy nad nową technologią, która umożliwi wybór języka, ale sposób działania AI sprawia, że wszystko to nadal jest w trakcie rozwoju. #### Jaka jest maksymalna liczba znaków i ilość tekstu, które mogę wygenerować? W [Text to Speech](https://elevenlabs.io/app/speech-synthesis/text-to-speech) na stronie możesz wygenerować do 5000 znaków w jednej generacji w każdym płatnym planie i do 2500 znaków we wszystkich darmowych planach. Jeśli jednak planujesz generować dłuższe treści, liczące więcej niż kilka tysięcy znaków, zdecydowanie polecamy [Studio](https://elevenlabs.io/app/studio), w którym łatwo wygenerujesz bardzo długie treści, takie jak książki i powieści. Więcej przeczytasz [tutaj](https://elevenlabs.io/docs/eleven-creative/products/studio). Jeśli generujesz przez API, maksymalna długość tekstu wejściowego zależy od używanego modelu: **Text to Speech** Flash v2.5 – do 40 000 znaków (\~40 minut audio) Turbo v2.5 – do 40 000 znaków (\~40 minut audio) Flash v2 – do 30 000 znaków (\~30 minut audio) Turbo v2 – do 30 000 znaków (\~30 minut audio) Multilingual v2 – do 10 000 znaków (\~10 minut audio) **Voice Changer** Multilingual v2 – do 10 minut audio #### Które głosy w bibliotece głosów są rodzime dla konkretnego języka? Wszystkie gotowe i wygenerowane głosy są angielskie. Oznacza to, że mogą nie mieć właściwego akcentu ani wymowy w innych językach. W Voice Library, w kategorii profesjonalnej, znajdziesz głosy udostępnione nam przez społeczność. Są to [Professional Voice Clones](/docs/pl/product-guides/voices/voice-cloning/professional-voice-cloning) ich własnych głosów. Zwykle mają tag językowy wskazujący język, w którym zostały sklonowane, więc są natywne dla tego języka. Możesz też użyć filtra wyszukiwania języków, aby wybrać konkretne języki. #### Dlaczego liczby, daty, symbole i akronimy nie są poprawnie wymawiane lub wypowiadane w odpowiednim języku? Liczby, daty, symbole i skróty mogą być wyzwaniem dla AI, ponieważ często można je poprawnie odczytać na kilka sposobów. Zależy to też od używanego języka, na przykład „11” można odczytać jako „Eleven”, ale po hiszpańsku może to być „Once”, a po niemiecku „Elf”. Jest kilka sposobów, aby zapewnić poprawne odczytanie liczb, dat, skrótów i symboli. **Zapisz je w całości słowami** Aby uzyskać najlepsze rezultaty, zalecamy zapisywanie liczb, skrótów, dat i symboli w całości słowami, tak jak AI ma je odczytać. Dzięki temu AI ma najwięcej kontekstu i poda poprawny wynik. Na przykład zamiast „\$100” zalecamy wpisać „sto dolarów”, aby uzyskać oczekiwany rezultat. **Korzystanie z LLM** Jeśli używasz dużego modelu językowego do generowania promptów tekstowych, na przykład w [ElevenAgents](/docs/pl/conversational-ai/overview), możesz polecić modelowi, aby zawsze zapisywał liczby, daty, symbole i skróty słowami, w sposób, w jaki AI ma je odczytać. **Normalizacja** Jeśli generujesz przez API, możesz określić, czy zastosować normalizację tekstu za pomocą parametru `apply_text_normalization`. Normalizacja tekstu zapisuje liczby i daty słowami, co poprawia wymowę. Ta opcja zwiększa opóźnienie, ponieważ proces normalizacji wymaga dodatkowego czasu przetwarzania. Parametr `apply_text_normalization` ma trzy tryby: * on — jest zawsze stosowany * off — nigdy nie jest stosowany * auto — AI automatycznie decyduje, kiedy zastosować normalizację tekstu Możesz też określić język promptu za pomocą parametru `language_code`. To opcjonalny parametr, który przyjmuje kody językowe ISO 639-1. Może to być przydatne przy krótkich lub niejednoznacznych promptach, na przykład gdy tekst zawiera tylko liczby lub symbole. Określenie języka zapewnia, że normalizator zastosuje właściwe reguły dla danego języka. Więcej informacji znajdziesz w naszej [dokumentacji API.](/docs/pl/api-reference/introduction) Normalizacja jest domyślnie włączona podczas generowania przez Text to Speech na stronie. W Studio normalizacja jest domyślnie stosowana automatycznie, co oznacza, że AI decyduje, kiedy ją zastosować. Możesz też ustawić jej stałe stosowanie — ta opcja znajduje się w **Ustawieniach projektu** na karcie **Zaawansowane**. #### Dlaczego mój głos błędnie wymawia niektóre słowa? Błędna wymowa może mieć kilka przyczyn. Najczęstszą są po prostu literówki. AI nie próbuje poprawiać błędnie zapisanych słów, tylko czyta je dokładnie tak, jak zostały napisane. Dlatego przed odczytaniem tekstu przez AI warto sprawdzić, czy jest poprawny i gotowy. Jeśli chcesz wymusić konkretną wymowę, możesz użyć tagów fonemów SSML w naszym modelu Flash v2. Więcej informacji znajdziesz w naszym [przewodniku po wymowie](/docs/pl/overview/capabilities/text-to-speech/best-practices#pronunciation). Czasem AI może źle wymówić słowa lub użyć innego akcentu, niż się spodziewasz. Może się tak zdarzyć z kilku powodów, a w większości przypadków zależy to od głosu i języka. Najlepszym sposobem na zapewnienie właściwego akcentu i wymowy jest sklonowanie głosu z odpowiednim akcentem i wymową. Da to AI najwięcej kontekstu podczas generowania audio. Język określa tekst, a akcent — głos. Jeśli więc piszesz w języku, który ma wiele wspólnych słów z innym językiem lub jest z nim blisko spokrewniony, AI może mieć trudność z ustaleniem wymowy niektórych słów albo przełączaniem się między akcentami. W pewnych sytuacjach AI może jednak źle wymawiać poprawnie zapisane słowa, nawet po angielsku. Wydaje się, że zależy to głównie od użytego głosu i tekstu, ale powinno zdarzać się rzadko.