Klon głosu AI powstał u mnie w jeden wieczór i noc, z 12 starych filmów, a całą pracę poza nagraniami wykonał Claude Code. Sam nagrałem filmy, znalazłem oryginały na dyskach, słuchałem wyników i przeczytałem tekst do weryfikacji. Następnego dnia głos działał i tego samego dnia stał w publicznej bibliotece ElevenLabs. Nie jestem programistą. Opisuję kroki i błędy po drodze, bo tu jest cała wartość tej historii.
Od czego się zaczęło?
Od pomysłu na własnego lektora do filmów. Nie chciałem niczego nagrywać od nowa. Miałem za sobą miesiące filmów, więc założenie było proste: materiał już istnieje, trzeba go tylko znaleźć i oczyścić.
To był pierwszy moment, w którym człowiek okazał się niezastąpiony. Agent nie wiedział, na których dyskach leżą oryginały. Wskazałem je, a resztę wziął na siebie.
Krok 1: znaleźć prawdziwe nagrania
Pierwszy trop był zły: nagrania z aplikacji do montażu. Sprawdziliśmy to na żywo i wyszło, że eksport daje pełny miks z muzyką, bez samej ścieżki głosu.
Oryginały na dyskach okazały się lepsze pod każdym względem: 320 kb/s zamiast 180. Dwanaście filmów z drugiej połowy 2025 roku, 5 godzin surowego materiału.
Przy okazji wyszło coś, czego bym nie zauważył: część plików nie miała dźwięku. Agent sprawdził każdy plik, zanim zaczął pracę.
Krok 2: wyciąć wszystko, co nie jest moim czystym głosem
Tu było najwięcej pracy i tu najbardziej widać, co zmienia agent. Surowe nagranie to pomyłki, powtórki, pauzy i urwane zdania. Ręcznie nie zabrałbym się za pięć godzin takiego materiału.
Zamiast tego użyliśmy sztuczki: gotowy film ma tekst bez pomyłek, więc może być wzorcem. Agent zrobił transkrypcję surówki, porównał ją z gotowym filmem i zostawił tylko to, co się zgadzało. Potem sprawdzał wynik kolejną transkrypcją, do trzech razy.
Pierwsza wersja cięcia nie działała. Granice fragmentów nie trafiały w prawdziwe pauzy i słowa się urywały. Agent zmierzył pauzy na samym dźwięku i poprawił. Tak wygląda praca z nim w praktyce: nie bezbłędnie, ale z własną korektą, gdy dostanie sposób na sprawdzenie wyniku.
Moją robotą był odsłuch. Transkrypcja potrafi poprawić urwane słowo, więc tekst wygląda dobrze, a dźwięk nie. Tego nie zastąpi nic poza uchem.
Zostało 13 plików, 179 minut, 24 tysiące słów.
Krok 3: wybrać brzmienie na ucho
Moje filmy brzmią dobrze, bo przechodzą przez automatyczne ulepszanie dźwięku. Klon nie powinien się go uczyć, bo to obróbka AI. Agent zmierzył, co ten efekt robi z dźwiękiem, i odtworzył to zwykłymi filtrami.
Dostałem ten sam fragment w kilku wersjach, wyrównanych głośnością. To drobiazg, który ma znaczenie: głośniejsza wersja wygrywa bez powodu. Wybrałem na ucho.
Jedna propozycja odpadła z innego powodu: obniżenie głosu. Brzmiałoby ciekawiej, ale umowa zakazuje wystawiania zmienionego głosu. Zostałem przy naturalnym.
Krok 4: założyć klon i poczekać
Podniosłem plan do Creator (co daje i ile kosztuje), agent założył klon i wgrał pliki, a ja przeczytałem do mikrofonu krótki tekst weryfikacyjny, bo tylko ja mogę potwierdzić, że to mój głos. Zajęło to około minuty.
Trening trwa kilka godzin i rusza sam.
Krok 5: test, który zmienił plan
Po treningu agent wygenerował przez API próbki w różnych zastosowaniach: edukacja, biznes, reklama, opowieść, rozmowa, dokument. Klon brzmiał jak ja i naturalnie.
Niespodzianką było tempo. Klon mówi 150-167 słów na minutę, a lektor, z którym go porównywałem, około 130. Do tego punktuje i akcentuje. Nie planowałem tego, ale to zmieniło pomysł na cały głos. Dobrze wypadł w edukacji, biznesie, opowieści i dokumencie, słabo w reklamie.
Krok 6: zmierzyć rynek, a potem zmierzyć go jeszcze raz
Zanim wystawiłem głos, chciałem wiedzieć, gdzie jest miejsce. Agent pobrał dane polskiej części biblioteki. Wnioski wyglądały sensownie, ale były błędne.
Pierwszy pomiar obejmował tylko jedną kategorię głosów. Pominął 88 polskich głosów z odznaką jakości, w tym największy, które mają 82% rocznego użycia. Mieliśmy ładne liczby o niewłaściwym rynku.
Drugi pomiar objął całą bibliotekę: 21 428 głosów. Jego wyniki opisałem w tekstach o polskich głosach i o tym, ile zarabia głos.
Lekcja jest stara i pasuje do każdej pracy z AI: wynik brzmi pewnie niezależnie od tego, czy jest prawdziwy. Sprawdzaj, co dokładnie zostało zmierzone. Więcej o codziennej pracy z tym narzędziem jest w tekście Claude Code - czy warto?.
Krok 7: decyzje, których nie da się cofnąć
Technika skończyła się tutaj. Zaczęły się decyzje, a tych nie oddałem.
Dane mówiły jasno, że najwięcej głosów stoi w kategorii opowieści, gdzie użycie spada. Edukacja ma pięć razy mniej głosów. Stąd kategoria i nazwa: Maciej - Clear, Engaging Explainer. Nie „szybki”, bo w danych najszybsze głosy wypadały najsłabiej. Prawdziwym wyróżnikiem okazał się wysoki i melodyjny głos.
Dwie decyzje były trudniejsze. Okres wypowiedzenia dwa lata, którego nie można już skrócić. I moderacja na żywo, którą świadomie zostawiłem wyłączoną, znając ryzyko, bo chcę zobaczyć, jak głos sobie poradzi. Rekomendacja agenta była inna. Decyzja należy do człowieka, który poniesie skutki.
Przegląd w ElevenLabs trwał niecałe półtorej godziny. Serwis zmienił opis: usunął zdanie po polsku i jedną nazwę. Głos przeszedł.
Czego się nauczyłem?
Agent zrobił całą robotę techniczną, ale nie pierwszą minutę. Bez moich nagrań i bez wskazania dysków nic by nie powstało.
Najcenniejsza umiejętność to odsłuch i pytanie „co dokładnie zmierzyłeś?”. Nie umiem wskazać ani jednej linijki kodu z tego projektu. Umiem usłyszeć, że coś brzmi źle, i zauważyć, że liczby są podejrzanie ładne.
Twoje stare materiały są więcej warte, niż myślisz. Nie nagrałem niczego nowego. Podobnie było z API, które zbudowałem bez pisania kodu: najpierw masz materiał i wiedzę, dopiero potem narzędzie je zamienia w coś nowego.
Dokładny przepis, bez historii, jest w tekście o klonowaniu głosu krok po kroku. Efekt możesz usłyszeć na stronie Polski lektor AI. A jeśli chcesz, żeby Twój zespół tak pracował z AI, zobacz szkolenia albo napisz w sprawie konsultacji.