Naprawdę mówi po polsku, skoro wszystkie głosy są angielskie?

Tak. Cały nasz przykład to polski dialog przeczytany presetami „Frank [EN]” i „Maya [EN]”, a rozpoznawanie mowy zwróciło język polski i całą treść bez błędu. Etykieta przy nazwie głosu opisuje preset, nie ogranicza języka tekstu.

Ile głosów zmieści się w jednym pliku?

Sprawdziliśmy cztery i cztery zadziałały. Dokumentacja nie podaje górnej granicy, więc w tabeli obok stoi liczba, którą faktycznie uruchomiliśmy, a nie ta, którą można by założyć.

Czy dialog kosztuje więcej niż monolog?

Nie. Liczą się znaki, nie liczba głosów: jeden kredyt za każde rozpoczęte 1000 znaków, tak samo jak na pozostałych dziewięciu silnikach.

Model lektora · Microsoft

VibeVoice 7B gdy reklama ma być rozmową, a nie odczytem

Wszystkie pozostałe silniki czytają jednym głosem. Ten bierze skrypt z podpisanymi kwestiami i oddaje jeden plik, w którym słychać dwie osoby — a sprawdziliśmy, że policzy do czterech. Do tego przyjmuje 30 000 znaków, czyli trzy razy więcej niż jakikolwiek inny silnik tutaj, więc cały podcast produktowy mieści się w jednym zleceniu.

Odbierz 40 kredytów Zobacz cennik

Przykład z tego modelu

Włącz dźwięk i odsłuchaj

–:–– / –:––

Tekst, który dostał silnik

Speaker 0: Słuchaj, potrzebuję opisu do nowego kubka jeszcze na dziś. Speaker 1: Zrobione. Trzysta trzydzieści mililitrów, grube ucho, szkliwo do zmywarki. Speaker 0: A pakowanie? Bo klienci pytają. Speaker 1: Tektura, bez folii. I wysyłka tego samego dnia, jeśli zamówią przed czternastą.

Cztery kwestie, dwa głosy, jeden plik — właścicielka sklepu i osoba pisząca opisy. Głosy nazywają się „Frank [EN]” i „Maya [EN]”, bo silnik nie ma polskich presetów, a mimo to obie kwestie są po polsku; rozpoznawanie mowy potwierdziło język i całą treść co do słowa.Ten materiał wygenerował dokładnie ten model, tak samo jak robi to aplikacja. Nie jest to zdjęcie z sesji ani praca klienta.

Dane techniczne

Twórca modelu: Microsoft
Mówi po polsku: tak — sprawdzone na polskim zdaniu
Gotowe głosy: 8
Głosy w jednym pliku: do 4
Sterowanie emocją: brak — steruje się samym tekstem
Limit znaków: 30 000
Plik z silnika: mp3
Czas generowania: około 120 s
Koszt: 1 kredyt za każde rozpoczęte 1000 znaków

Do czego się nadaje

Do czterech głosów w jednym skrypcie: Kwestie podpisujesz numerem mówcy i silnik rozdaje je między wybrane głosy. Schemat pytanie–odpowiedź, który w reklamach sprzedaje najlepiej, nagrywasz jednym zleceniem, zamiast sklejać dwa pliki w montażu. Cztery głosy sprawdziliśmy osobnym testem, bo dokumentacja limitu nie podaje.
Mówi po polsku mimo angielskich presetów: Każdy z ośmiu głosów jest opisany jako angielski albo chiński i to jest mylące — polski tekst czyta poprawnie, z polskim akcentem. To najbardziej zaskakująca rzecz w całej dziesiątce i dlatego sprawdziliśmy ją dwa razy.
30 000 znaków na jedno zlecenie: Trzykrotność limitu MiniMaxa i sześciokrotność ElevenLabs v3. Rozmowa na dziesięć minut, opis całej kolekcji albo scenariusz nagrania na stronę „o nas” mieszczą się bez dzielenia na części.

Kiedy wybrać inny model

To najwolniejszy polski silnik z szóstki — na krótkie zdanie czekaliśmy około dwóch minut, więc nie nadaje się do przesłuchiwania wariantów. Nie ma tu też żadnego sterowania emocją: nie ma pola nastroju jak w MiniMaxie, nie ma suwaków jak w ElevenLabs Multilingual v2 i nie ma znaczników jak w ElevenLabs v3 — dostajesz to, jak silnik przeczyta zdanie, i jedyna dźwignia to sam tekst. Do pojedynczej reklamy czytanej jednym głosem weź MiniMax Speech 2.8 HD; tutaj przychodzisz po rozmowę.

Zobacz wszystkie modele

Jak pisać brief pod ten model

Rzeczy, które w tym silniku działają inaczej niż w pozostałych. Zasady wspólne dla wszystkich modeli zebraliśmy osobno, w Centrum pomocy.

Podpisuj kwestie kolejnymi numerami od zera i trzymaj jedną kwestię w jednej linii. Skrypt bez podziału na linie wraca jako monolog, nawet jeśli wybierzesz dwa głosy.
Nastrój buduj treścią, nie znacznikiem. Ten silnik nie czyta znaczników emocji, więc pytanie zadane wprost brzmi jak pytanie, a wykrzyknik trzeba naprawdę napisać.
Dobierz dwa wyraźnie różne głosy — męski i żeński albo niski i wysoki. Dwa podobne presety w jednym pliku brzmią jak jedna osoba, która sama sobie odpowiada.
Nie zaczynaj tu od szukania brzmienia. Przy dwóch minutach oczekiwania na zdanie tekst dopracuj w MiniMax Speech 2.8 Turbo, a tutaj przyjdź po gotowy dialog.
Nie sugeruj się dopiskiem „[EN]” przy nazwie głosu. To etykieta presetu, nie języka — polski skrypt zostanie przeczytany po polsku.

Jak napisać brief, który działa

Pytania o ten model

Inne modele

Sprawdź ten model na swoim produkcie

Zakładasz konto bez karty i dostajesz 40 kredytów. Modele przełączasz jednym kliknięciem, więc ten sam opis możesz puścić przez kilka z nich i wybrać najlepszy kadr.

Odbierz 40 kredytów Policz swoje oszczędności