> 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 Interfejs API ElevenLabs [Text to Speech (TTS)](/docs/pl/api-reference/text-to-speech/convert) zamienia tekst w realistyczne audio z niuansami intonacji, tempa i emocji. [Nasze modele](/docs/pl/overview/models) dostosowują się do wskazówek w tekście w 32 językach i wielu stylach głosu. Możesz ich używać do: * Narracji globalnych kampanii medialnych i reklam * Produkcji audiobooków w wielu językach ze złożoną ekspresją emocjonalną * Strumieniowania audio w czasie rzeczywistym z tekstu Posłuchaj przykładu: Odkryj naszą [bibliotekę głosów](https://elevenlabs.io/app/voice-library), aby znaleźć idealny głos do swojego projektu. > **Warning** > > Biblioteka głosów nie jest dostępna przez API dla użytkowników bezpłatnego planu. #### [Produkty](/docs/pl/eleven-creative/playground/text-to-speech) Przewodnik krok po kroku po zamianie tekstu na mowę w ElevenLabs. #### [Deweloperzy](/docs/pl/eleven-api/quickstart) Dowiedz się, jak zintegrować zamianę tekstu na mowę z aplikacją. #### [Dokumentacja API](/docs/pl/api-reference/text-to-speech/convert) Pełna dokumentacja API punktu końcowego Text to Speech. #### [MCP](/docs/pl/eleven-agents/operate/hosted-mcp) Generuj mowę z Claude lub dowolnego klienta MCP za pomocą hostowanego serwera MCP. #### [Eleven v4](/docs/pl/overview/capabilities/text-to-speech/eleven-v4) Co zmieniło się w Eleven v4, wraz z porównaniami klonowania głosu. ### Jakość głosu W aplikacjach czasu rzeczywistego Flash v2.5 zapewnia ultraniskie opóźnienie 75 ms, a Multilingual v2 oferuje audio najwyższej jakości z bardziej niuansową ekspresją. #### [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% [Zobacz wszystkie](/docs/pl/overview/models) ### Opcje głosów ElevenLabs oferuje tysiące głosów w 32 językach, tworzonych na różne sposoby: * [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). ### Efekty audio Efekty audio przetwarzają wygenerowaną mowę tak, by brzmiała, jakby nagrano ją w konkretnym miejscu, bez późniejszej edycji. Ustaw dowolną kombinację: * **Gotowy filtr**: nadaje głosowi charakter, na przykład linii telefonicznej, starego radia lub robota. * **Odległość**: oddala mówcę od mikrofonu. * **Środowisko**: umieszcza głos w pogłosowej przestrzeni, na przykład małym pokoju lub sali. * **Szum tła**: zapętla pod głosem dźwięk otoczenia, na przykład kawiarni lub pisania na klawiaturze. * **Panorama**: ustawia głos między lewym a prawym kanałem. Efekty są dostępne w punktach końcowych Text to Speech i Text to Dialogue, także w żądaniach strumieniowych i ze znacznikami czasu, za pomocą parametru [`audio_effects`](/docs/pl/api-reference/text-to-speech/convert#request.body.audio_effects). Dostępne gotowe filtry, środowiska i szumy tła znajdziesz w [katalogu efektów audio](/docs/pl/api-reference/audio-effects/get-catalog). Agenci mogą też stosować filtr głosu; zobacz [Środowisko audio](/docs/pl/eleven-agents/customization/voice/audio-environment). W aplikacji dodasz efekty w [playgroundzie Text to Speech](/docs/pl/eleven-creative/playground/text-to-speech). Efekty nie zmieniają kosztu żądania. > **Warning** > > Pogłos (`environment_id` z `send_level` powyżej 0) i niezerowa wartość `pan` tworzą stereo. > Żądania łączące je z monofonicznymi formatami wyjściowymi `pcm_*`, `ulaw_*` lub `alaw_*` są > odrzucane z błędem 400. #### 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 Nasze wielojęzyczne modele v2 obsługują 29 języków: *angielski (USA, Wielka Brytania, Australia, Kanada), japoński, chiński, niemiecki, hindi, francuski (Francja, Kanada), koreański, portugalski (Brazylia, Portugalia), włoski, hiszpański (Hiszpania, Meksyk), indonezyjski, niderlandzki, turecki, filipiński, polski, szwedzki, bułgarski, rumuński, arabski (Arabia Saudyjska, ZEA), czeski, grecki, fiński, chorwacki, malajski, słowacki, duński, tamilski, ukraiński i rosyjski.* Flash v2.5 obsługuje 32 języki — wszystkie języki z modeli v2 oraz: *węgierski, norweski i wietnamski* Po prostu wpisz tekst w dowolnym z obsługiwanych języków i wybierz pasujący głos z naszej [biblioteki głosów](https://elevenlabs.io/app/voice-library). Aby uzyskać jak najbardziej naturalny efekt, wybierz głos z akcentem pasującym do języka i regionu docelowego. ### 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). > **Note** > > Model wypowie opisowy tekst, dlatego w razie potrzeby trzeba go ręcznie przyciąć lub usunąć z > audio. ## FAQ #### Czy mogę sklonować własny głos? Tak, możesz tworzyć [natychmiastowe klony głosu](/docs/pl/overview/capabilities/voices#cloned) własnego głosu na podstawie krótkich klipów audio. Aby uzyskać klony najwyższej jakości, sprawdź funkcję [profesjonalnego klonowania głosu](/docs/pl/overview/capabilities/voices#cloned). #### 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: * 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. #### Jak zmniejszyć opóźnienie w zastosowaniach czasu rzeczywistego? Użyj modeli Flash o niskim opóźnieniu [models](/docs/pl/overview/models) (Flash v2 lub v2.5), zoptymalizowanych pod kątem niemal rzeczywistych scenariuszy konwersacyjnych lub interaktywnych. Więcej informacji znajdziesz w [przewodniku po optymalizacji opóźnień](/docs/pl/eleven-api/guides/how-to/best-practices/latency-optimization). #### 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? Podziel długi tekst na fragmenty i użyj strumieniowania do odtwarzania w czasie rzeczywistym oraz wydajnego przetwarzania. Aby zachować naturalną prozodię między fragmentami, uwzględnij [poprzedni/następny tekst lub poprzedni/następny parametr identyfikatora żądania](/docs/pl/api-reference/text-to-speech/convert#request.body.previous_text). ## Kluczowe informacje * **Deterministyczność**: Wynik jest niedeterministyczny — użyj parametru `seed`, aby uzyskać większą spójność * **Efekty audio**: Dodaj gotowy filtr, odległość, pogłos, szum tła lub panoramę za pomocą `audio_effects` bez dodatkowych kosztów * **Bezpłatne regeneracje**: Maksymalnie 2 bezpłatne regeneracje na generację (tylko ta sama treść i parametry) * **Własność**: Zachowujesz własność wygenerowanego audio; użytek komercyjny wymaga płatnego planu * **Zastosowania z niskim opóźnieniem**: Użyj modeli Flash (`eleven_flash_v2` lub `eleven_flash_v2_5`) — zobacz [przewodnik po optymalizacji opóźnień](/docs/pl/eleven-api/guides/how-to/best-practices/latency-optimization) * **Długie teksty**: Podziel długi tekst na fragmenty; użyj parametrów `previous_text` / `next_text`, aby zachować naturalną prozodię między fragmentami