Klonowanie głosu w ElevenLabs działa dobrze wtedy, gdy większość pracy włożysz w nagrania, a nie w ustawienia. Zrobiłem profesjonalny klon swojego głosu z 3 godzin materiału wyciętego z własnych filmów. Od pierwszej rozmowy do gotowego głosu minął jeden wieczór i noc. Ten tekst to przepis: jakie nagrania są potrzebne, co odrzucić, jak przejść weryfikację i na co uważać przed publikacją.
Stan na 6 listopada 2026, według dokumentacji ElevenLabs i własnego klonu. Wymagania i plany się zmieniają, więc sprawdź je przed zakupem.
Jaki klon głosu i jaki plan?
Ten przepis dotyczy profesjonalnego klonu, czyli PVC (Professional Voice Clone). Model trenuje się wtedy na Twoich nagraniach przez kilka godzin i tylko taki głos można wystawić w publicznej bibliotece.
Plan ma znaczenie. Na Free i Starter profesjonalnego klonu nie ma. Creator, Pro i stary Scale dają jeden slot, Scale i stary Business trzy, a Business dziesięć. Plan Creator kosztuje 22 dolary miesięcznie, w pierwszym miesiącu 11 dolarów. Więcej o planach i kredytach piszę w tekście ElevenLabs: co to jest i ile kosztuje.
Klonować wolno tylko własny głos. Serwis to sprawdza, a umowa zakazuje też wersji zmienionej, na przykład sztucznie obniżonej.
Jakie nagrania są potrzebne do klonu głosu?
Wymagania ElevenLabs:
- długość: minimum 30 minut, zalecane 1-3 godziny
- format: MP3 192 kb/s lub więcej. WAV nie poprawia klonu, a potrafi psuć wgrywanie
- głośność: od -23 do -18 dB RMS, szczyt -3 dB
- czystość: bez szumu, pogłosu, muzyki i drugiego mówcy
- spójność: jeden język i jeden styl mówienia, bez śpiewu
Mój zestaw: 13 plików, 179 minut, 24 tysiące słów, MP3 256 kb/s, RMS -21,3 dB, odstęp mowy od szumu 43-46 dB. Materiałem było 12 filmów z drugiej połowy 2025 roku, razem 5 godzin surowego nagrania.
Klon uczy się wszystkiego, co dostanie. Szum, pogłos, chrząknięcia, Twoje „yyy” i sposób, w jaki przerywasz zdanie. A opublikowanego głosu nie da się poprawić.
Skąd wziąć nagrania i co odrzucić?
Jeśli nagrywasz filmy lub podcasty, prawdopodobnie masz już wszystko. Nowe nagrania nie są potrzebne. Trzy reguły, które dały mi najwięcej:
Oryginały zamiast eksportów. Plik z programu nagrywającego miał u mnie 320 kb/s, a to samo z aplikacji do montażu 180 kb/s. Najpierw szukaj na dyskach, dopiero potem w aplikacji.
Surowe zamiast zmontowanych. Montaż wycina niemal wszystkie naturalne pauzy. Długie i tak trzeba skrócić, ale krótkie oddechy między zdaniami chciałem zachować. Do tego automatyczne „studyjne” ulepszanie dźwięku to obróbka AI, której klon też się nauczy. Dlatego brałem surowy dźwięk, a brzmienie poprawiłem zwykłymi filtrami: delikatne wycięcie dołu i przyciszenie góry.
Gotowy film jako wzorzec czystości. Surowe nagranie zawiera pomyłki i powtórki. Gotowy film ma tekst bez nich, więc zostawiałem tylko te fragmenty surówki, które zgadzały się z końcową wersją. Bez tego w próbce były powtórzenia i urwane słowa.
Odrzucaj bez sentymentu:
- wszystko z drugim mówcą, także pytania z sali
- fragmenty z muzyką i z dubbingiem AI
- nagrania ze słabszego mikrofonu. Moje webinary miały odstęp od szumu około 30 dB wobec 43 dB w filmach
- pliki bez dźwięku. Część moich nagrań okazała się cicha, więc sprawdź każdy, zanim zaczniesz
Klonowanie głosu krok po kroku
Kolejność, która zadziałała:
- Zbierz surowe nagrania. Jeden mikrofon, jeden pokój, jeden sposób mówienia
- Sprawdź każdy plik: czy ma dźwięk, jaką głośność, czy nie ma innych mówców
- Zrób transkrypcję i porównaj ją z tekstem gotowego filmu
- Wytnij nieudane podejścia i wtrącenia, skróć pauzy dłuższe niż 0,7 sekundy, wyrównaj głośność
- Sprawdź wynik kolejną transkrypcją, u mnie do trzech przebiegów
- Odsłuchaj próbkę z kilku fragmentów. Automat bywa zbyt grzeczny: transkrypcja potrafi poprawić urwane słowo, więc filtr tekstowy go nie złapie
- Wybierz brzmienie na ucho, porównując wersje przy tej samej głośności. Głośniejsza wygrywa bez powodu
- Podnieś plan do Creator
- Załóż klon i wgraj próbki
- Przejdź weryfikację głosem: w panelu odczytujesz krótki tekst na żywo. Użyj tego samego mikrofonu co w nagraniach. Po nieudanych próbach jest 24 godziny przerwy
- Poczekaj na trening: trwa od 2 do 6 godzin i uruchamia się sam
- Przetestuj klon w różnych zastosowaniach, zanim cokolwiek opublikujesz
Pracę techniczną zrobił za mnie agent AI. Sam byłem potrzebny przy nagraniach, odsłuchach i weryfikacji. Jeśli chcesz przejść tę drogę bez programowania, zacznij od tekstu Claude Code od zera.
Jak wyszedł klon i gdzie działa najlepiej?
Klon brzmi jak ja, naturalnie. Mówi szybko i wyraźnie: w próbkach testowych 150-167 słów na minutę. Zmierzony tą samą metodą co rynek ma 158, przy medianie polskich męskich głosów 144 (pełny pomiar w analizie polskich głosów). Dobrze wypada w edukacji, biznesie, opowieści, rozmowie i dokumencie, słabiej w reklamie.
Nie planowałem tego. Dopiero test w różnych zastosowaniach pokazał, co klon umie. Dlatego nie publikuj głosu przed testem: najpierw prywatny klon i próba w prawdziwym materiale. Próbki najwygodniej wygenerować przez ElevenLabs API, wszystkie naraz i z tymi samymi ustawieniami.
Na co uważać przed publikacją w bibliotece?
Publikacja jest osobną decyzją i w dużej mierze nieodwracalną:
- po publikacji zmienisz niewiele. Próbkę i dostęp darmowych użytkowników tak, ale zakładaj, że nazwa, opis i etykiety zostają
- okres wypowiedzenia można tylko wydłużyć. Po usunięciu głos działa dalej przez ten czas u tych, którzy go dodali
- ElevenLabs może zmienić opis. U mnie przegląd trwał niecałe półtorej godziny i usunął zdanie po polsku oraz nazwę YouTube
- nazwa ma limit 40 znaków, a zakazane są marki, osoby publiczne, pisanie wersalikami, uchwyty z mediów społecznościowych, emoji i słowo „voice”
Czy wystawienie głosu się opłaca, policzyłem osobno w tekście ile zarabia głos w ElevenLabs. Krótko: zwykle nie jako źródło dochodu. Historię całego wieczoru opisałem w artykule od starych filmów do klonu.
Czy klonowanie głosu jest bezpieczne?
Dla właściciela głosu ryzyko jest realne: po publikacji nie dostajesz raportów, co wygenerowano. Przy nadużyciu zostaje formularz zgłoszeniowy ElevenLabs. Moderacja na żywo sprawdza tekst pod kątem zakazanych kategorii, ale nie daje gwarancji, a jej włączenie później obejmuje tylko nowych użytkowników. To osobna decyzja, którą warto podjąć świadomie.
Szerzej o tym, jak firmy mogą się chronić przed fałszywym głosem, piszę w tekście o deepfake’ach w firmie.
Jeśli chcesz usłyszeć efekt tego przepisu, próbki mojego klonu są na stronie Polski lektor AI. A jeśli potrzebujesz takiego procesu w firmie, napisz w sprawie konsultacji.