> 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 Dialogue

## Przegląd

Interfejs API ElevenLabs [Text to Dialogue](/docs/pl/api-reference/text-to-dialogue/convert) tworzy naturalnie brzmiące, ekspresyjne dialogi z tekstu za pomocą [Eleven v4](/docs/pl/overview/capabilities/text-to-speech/eleven-v4) i Eleven v3. Polecamy Eleven v4. Popularne zastosowania to:

* Tworzenie perfekcyjnych rozmów do gier wideo
* Tworzenie wciągających dialogów do podcastów i innych treści audio
* Ożywianie audiobooków dzięki ekspresyjnej narracji

Aby uzyskać oczekiwany efekt, może być potrzebnych kilka generacji. Podczas integracji Text to Dialogue z aplikacją rozważ wygenerowanie kilku wersji i pozwól użytkownikowi wybrać najlepszą.

Aby umieścić rozmowę w scenerii, na przykład rozmowy telefonicznej, kawiarni lub dużej sali, przekaż [`audio_effects`](/docs/pl/api-reference/text-to-dialogue/convert#request.body.audio_effects) w żądaniu. Te same gotowe filtry, środowiska i dźwięki tła co w [efektach audio Text to Speech](/docs/pl/overview/capabilities/text-to-speech#audio-effects) dotyczą całego dialogu. Efekty dialogu są dostępne tylko przez API.

Posłuchaj przykładu:

<elevenlabs-audio-player audio-title="Przykład dialogu" audio-src="https://storage.googleapis.com/eleven-public-cdn/documentation_assets/audio/dialogue.mp3" />

#### [Deweloperzy](/docs/pl/eleven-api/guides/cookbooks/text-to-dialogue)

Dowiedz się, jak zintegrować zamianę tekstu na dialog z aplikacją.

#### [Przewodnik po promptach](/docs/pl/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4)

Dowiedz się, jak tworzyć ekspresyjne dialogi za pomocą tagów audio.

#### [Dokumentacja API](/docs/pl/api-reference/text-to-dialogue/convert)

Pełna dokumentacja API punktu końcowego Text to Dialogue.

## Opcje głosów

ElevenLabs oferuje tysiące głosów tworzonych na różne sposoby. Eleven v4 obsługuje ponad 90 języków, a Eleven v3 ponad 70 języków.

* [Biblioteka głosów](/docs/pl/overview/capabilities/voices) z ponad 10 000 głosów udostępnionych przez społeczność
* [Profesjonalne klonowanie głosu](/docs/pl/overview/capabilities/voices#cloned), aby uzyskać repliki najwyższej jakości
* [Natychmiastowe klonowanie głosu](/docs/pl/overview/capabilities/voices#cloned) do szybkiego kopiowania głosu
* [Projektowanie głosu](/docs/pl/overview/capabilities/voices#voice-design), aby generować własne głosy na podstawie opisów tekstowych

Dowiedz się więcej o naszych [opcjach głosów](/docs/pl/overview/capabilities/voices).

## Prompty

Modele bezpośrednio interpretują kontekst emocjonalny z tekstu wejściowego. Na przykład dodanie
opisu, takiego jak „powiedziała podekscytowana”, lub użycie wykrzykników wpłynie na
emocje w mowie. Ustawienia głosu, takie jak stabilność i podobieństwo, pomagają kontrolować spójność, a
same emocje wynikają z wskazówek w tekście.

Więcej informacji znajdziesz w [przewodniku po promptach](/docs/pl/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4).

### Emocje i sposób wypowiedzi z tagami audio

> **Warning**
>
> Ta funkcja jest nadal aktywnie rozwijana, więc wyniki mogą się różnić.

Eleven v4 i Eleven v3 pozwalają używać niejęzykowych zdarzeń audio, aby wpływać na sposób wypowiedzi w dialogu. W tym celu wstaw zdarzenia audio do tekstu wejściowego w nawiasach kwadratowych.

W Text to Dialogue każda kwestia ma własny tekst i głos. Dodaj tagi audio w tekście kwestii, na którą mają wpłynąć. `voice_id` nadal wybiera głos mówcy dla tej kwestii, a tagi wskazują sposób wypowiedzi.

Na przykład mówca może używać jednego głosu, gdy tekst zaczyna się od `[giggling]`, a kolejny mówca innego głosu, gdy tekst zaczyna się od `[whispering]`. Przykład API łączący tagi z `voice_id` znajdziesz w [krótkim przewodniku Text to Dialogue](/docs/pl/eleven-api/guides/cookbooks/text-to-dialogue).

Tagi audio to instrukcje w języku naturalnym, a nie parametr enum. Umieść instrukcję w nawiasach kwadratowych i wstaw ją w miejscu tekstu, w którym sposób wypowiedzi ma się zmienić. Poniższe przykłady nie wyczerpują tematu; więcej wskazówek o skutecznych tagach znajdziesz w [przewodniku po promptach](/docs/pl/overview/capabilities/text-to-speech/best-practices#prompting-eleven-v4).

Tagi audio występują w kilku formach:

### Emocje i sposób wypowiedzi

Na przykład \[sad], \[laughing] i \[whispering]

### Zdarzenia audio

Na przykład \[leaves rustling], \[gentle footsteps] i \[applause].

### Ogólne wskazówki

Na przykład \[football], \[wrestling match] i \[auctioneer].

Oto kilka przykładów:

```
"[giggling] That's really funny!"
"[groaning] That was awful."
"Well, [sigh] I'm not sure what to say."
```

<elevenlabs-audio-player audio-title="Ekspresyjny dialog" audio-src="https://storage.googleapis.com/eleven-public-cdn/documentation_assets/audio/dialogue-emotive.mp3" />

Możesz też używać interpunkcji, aby wskazać przebieg dialogu, na przykład przerwania:

```
"[cautiously] Hello, is this seat-"
"[jumping in] Free? [cheerfully] Yes it is."
```

<elevenlabs-audio-player audio-title="Przerwanie" audio-src="https://storage.googleapis.com/eleven-public-cdn/documentation_assets/audio/dialogue-interruption.mp3" />

Wielokropki mogą wskazywać niedokończone zdania:

```
"[indecisive] Hi, can I get uhhh..."
"[quizzically] The usual?"
"[elated] Yes! [laughs] I'm so glad you knew!"
```

<elevenlabs-audio-player audio-title="Wielokropki" audio-src="https://storage.googleapis.com/eleven-public-cdn/documentation_assets/audio/dialogue-ellipses.mp3" />

#### Obsługiwane formaty wyjściowe

Domyślny format odpowiedzi to `mp3`, ale dostępne są też inne formaty, takie jak `pcm` i `ulaw`.

* **MP3**
  * Częstotliwości próbkowania: 22,05 kHz–44,1 kHz
  * Przepływności: 32 kb/s–192 kb/s
  * 22,05 kHz @ 32 kb/s
  * 44,1 kHz @ 32 kb/s, 64 kb/s, 96 kb/s, 128 kb/s, 192 kb/s
* **PCM (S16LE)**
  * Częstotliwości próbkowania: 16 kHz–44,1 kHz
  * Przepływności: 8 kHz, 16 kHz, 22,05 kHz, 24 kHz, 44,1 kHz, 48 kHz
  * Głębia 16 bitów
* **μ-law**
  * Częstotliwość próbkowania 8 kHz
  * Zoptymalizowany pod kątem aplikacji telefonicznych
* **A-law**
  * Częstotliwość próbkowania 8 kHz
  * Zoptymalizowany pod kątem aplikacji telefonicznych
* **Opus**
  * Częstotliwość próbkowania: 48 kHz
  * Przepływności: 32 kb/s–192 kb/s

> **Success**
>
> Opcje audio wyższej jakości są dostępne tylko w płatnych planach — szczegóły znajdziesz na [stronie cen](https://elevenlabs.io/pricing/api).

## Obsługiwane języki

Eleven v4 obsługuje ponad 90 języków. Eleven v3 obsługuje ponad 70 języków. Pełne listy znajdziesz na stronach [Eleven v4](/docs/pl/overview/models#eleven-v4) i [Eleven v3](/docs/pl/overview/models#eleven-v3).

## FAQ

#### Z których modeli mogę korzystać?

Text to Dialogue jest dostępne w modelach Eleven v4 i Eleven v3.

#### Czy jestem właścicielem wygenerowanego audio?

Tak. Zachowujesz własność każdego wygenerowanego audio. Prawa do użytku komercyjnego są jednak
dostępne tylko w płatnych planach. W ramach płatnej subskrypcji możesz używać wygenerowanego audio w celach komercyjnych
i monetyzować wyniki, jeśli masz prawa własności intelektualnej do treści wejściowej.

#### Co kwalifikuje się do bezpłatnej regeneracji?

Bezpłatna regeneracja pozwala ponownie wygenerować tę samą treść zamiany tekstu na mowę bez dodatkowych kosztów, pod warunkiem że:

* Jest dostępna tylko w panelu ElevenLabs.
* Możesz bezpłatnie regenerować każdy fragment treści maksymalnie 2 razy.
* Treść musi być dokładnie taka sama jak w poprzedniej generacji. Każda zmiana tekstu, ustawień głosu lub innych parametrów wymaga nowej, płatnej generacji.

Bezpłatne regeneracje przydają się, gdy w wyjściowym audio występuje niewielkie zniekształcenie. Według wewnętrznych testów ElevenLabs regeneracje rozwiązują około połowy problemów z jakością, a pozostałe zwykle wynikają ze słabych danych treningowych.

#### Ilu mówców może występować w moim dialogu?

Liczba mówców w dialogu nie jest ograniczona.

#### Dlaczego wyniki bywają niespójne?

Modele są niedeterministyczne. Aby uzyskać większą spójność, użyj opcjonalnego [parametru seed](/docs/pl/api-reference/text-to-speech/convert#request.body.seed), choć nadal mogą występować drobne
różnice.

#### Jaka jest najlepsza praktyka przy konwersji długich tekstów?

Aby generowanie było niezawodne, łączna długość wszystkich wartości `inputs[].text` powinna wynosić maksymalnie 2000 znaków na żądanie. Podziel dłuższy tekst na fragmenty i połącz wynikowe audio w aplikacji.

## Kluczowe informacje

* **Modele**: Dostępne w Eleven v4 i Eleven v3
* **Mówcy**: Brak limitu liczby mówców w dialogu
* **Rozmiar żądania**: Łączna długość wszystkich wartości `inputs[].text` powinna wynosić maksymalnie 2000 znaków na żądanie
* **Deterministyczność**: Wynik jest niedeterministyczny — użyj parametru `seed`, aby uzyskać większą spójność
* **Bezpłatne regeneracje**: Maksymalnie 2 bezpłatne regeneracje na generację (ta sama treść, te same parametry, tylko w panelu)
* **Własność**: Zachowujesz własność wygenerowanego audio; użytek komercyjny wymaga płatnego planu