VoiceStudio zamiast ElevenLabs – jak klonować głos i dubbingować wideo lokalnie bez abonamentu?

ElevenLabs jest wygodne, dopóki generujesz kilka krótkich nagrań miesięcznie. Problem zaczyna się przy regularnym dubbingu, audiobookach albo seryjnej produkcji voice-overów. Wtedy każda kolejna minuta zużywa kredyty, wyższa jakość wymaga droższego planu, a próbki głosu i materiały źródłowe trzeba wysyłać do chmury.

VoiceStudio podchodzi do tego odwrotnie. To otwartoźródłowa aplikacja do klonowania głosu, syntezy mowy, transkrypcji i dubbingu, która może wykonać cały proces lokalnie na komputerze. Bez konta, bez klucza API i bez miesięcznego limitu znaków czy minut. We wrześniu 2026 r. projekt obsługuje Windows, macOS na Apple Silicon i Linux, oferuje kilkanaście silników TTS oraz rozbudowany zestaw modeli do rozpoznawania mowy.

Nie jest jednak darmowym ElevenLabs „jeden do jednego”. Płacenie abonamentu zostaje zastąpione wymaganiami sprzętowymi, instalowaniem modeli, większą liczbą ustawień i okazjonalną walką z wersją beta. Na dobrym GPU ma to sporo sensu. Na przypadkowym laptopie biurowym — już znacznie mniej.

Klonowanie głosu lokalnie: czego naprawdę potrzebuje VoiceStudio

Podstawowy mechanizm jest prosty. W VoiceStudio wybiera się tryb From audio, dodaje próbkę głosu, wpisuje tekst i uruchamia syntezę. Nie trzeba trenować osobnego modelu przez kilka godzin. Domyślny silnik wykorzystuje zero-shot voice cloning, czyli traktuje nagranie referencyjne jako wzorzec głosu.

Teoretycznie wystarczy kilka sekund materiału. W praktyce lepiej przygotować 5-15 sekund czystej mowy jednej osoby. Dłuższy plik nie oznacza automatycznie lepszego klonu, ponieważ taki system nie uczy się całego nagrania jak podczas klasycznego fine-tuningu.

Największą różnicę robi jakość próbki. Dobry materiał referencyjny powinien mieć:

• jednego mówcę,

• możliwie mało pogłosu,

• brak muzyki w tle,

• brak mocnego odszumiania i kompresji,

• naturalną intonację zbliżoną do tej, którą chcemy później uzyskać.

To ważniejsze niż długość nagrania. Klonowanie kopiuje również niedoskonałości akustyczne próbki. Jeśli głos pochodzi z telefonu stojącego trzy metry od rozmówcy w pustym pokoju, syntetyczny rezultat potrafi przejąć część tego charakteru.

Po udanej próbie można zapisać głos jako Voice Profile i później wykorzystywać go bez ponownego ładowania nagrania: w zwykłym TTS, dubbingu, audiobookach czy przez lokalne API.

VoiceStudio nie ogranicza użytkownika do jednego modelu. Aktualne wydania obsługują wiele silników TTS. Są wśród nich m.in. OmniVoice, CosyVoice 3, GPT-SoVITS, VoxCPM2 czy IndexTTS 2.5. Różnią się obsługiwanymi językami, zapotrzebowaniem na pamięć oraz jakością klonowania.

Domyślny silnik daje bardzo szeroki katalog języków — projekt deklaruje ponad 600 języków dla OmniVoice i 646 pozycji w katalogu TTS VoiceStudio. Trzeba jednak oddzielić dwie rzeczy: „język znajduje się na liście” oraz „język brzmi równie dobrze jak angielski”. To nie jest to samo. Polski można wykorzystać do normalnej pracy, ale rezultat warto przesłuchać na kilku typach zdań: liczbach, nazwach własnych, skrótach, anglicyzmach i dłuższych wypowiedziach.

Przy polskim voice-overze właśnie nazwy własne i skróty najczęściej wymagają ręcznej korekty zapisu fonetycznego lub przebudowania zdania. Próba wymuszenia poprawnej wymowy przez pięciokrotne generowanie identycznego tekstu zwykle jest stratą czasu.

Sprzęt jest równie istotny. Minimum podawane dla typowej instalacji to około:

• 8 GB RAM,

• 10 GB wolnego miejsca na dysku,

• GPU nie jest obowiązkowe,

• przy korzystaniu z GPU około 4 GB VRAM stanowi techniczne minimum.

Do rzeczywistej pracy celowałbym jednak w 16 GB RAM, SSD z przynajmniej 20 GB wolnego miejsca i kartę z 8 GB VRAM lub więcej. Dla domyślnego OmniVoice praktycznym dolnym progiem akceleracji jest mniej więcej 6 GB VRAM. Na kartach 4 GB model może zacząć przerzucać dane do RAM-u i operacja, która powinna zająć sekundy, potrafi przeciągnąć się do minut.

Na Windows najprostsza sytuacja jest z NVIDIĄ i CUDA. Nie trzeba instalować pełnego CUDA Toolkit — odpowiedni wariant PyTorch jest obsługiwany przez instalację aplikacji. Karty AMD pod Windowsem są znacznie mniej atrakcyjną opcją, ponieważ VoiceStudio nie korzysta tam z ROCm i obliczenia trafiają na CPU. AMD z ROCm ma sens przede wszystkim na Linuxie.

Na komputerach Apple najlepiej wypadają M1, M2, M3 i M4, gdzie aplikacja może korzystać z MPS i MLX. Intel Mac nie jest dobrym wyborem do lokalnego backendu; sensowniejsze jest wtedy uruchomienie obliczeń na innym komputerze.

CPU-only działa, lecz trzeba zaakceptować wyraźnie dłuższe generowanie. Do sporadycznego przygotowania dwuminutowego nagrania można z tym żyć. Przy dubbingu trzydziestominutowych materiałów szybko przestaje to być wygodne.

Dubbing bez chmury: od filmu do gotowego MP4

Najciekawsza część VoiceStudio nie kończy się na wpisaniu zdania i zapisaniu WAV-a. Program ma kompletny workflow dubbingowy:

Upload → Prepare → Transcribe → Edit → Generate → Export.

W praktyce wrzuca się film albo plik audio, wskazuje język źródłowy i uruchamia transkrypcję. Następnie VoiceStudio dzieli materiał na wypowiedzi i mówców. Dopiero później przechodzi się do tłumaczenia, przypisywania głosów i generowania nowej ścieżki.

To podejście jest wolniejsze niż kliknięcie „Dub” w serwisie chmurowym, ale daje jedną ważną przewagę: można poprawić problem na poziomie konkretnej wypowiedzi, zamiast generować od początku cały materiał.

Najpierw trzeba skontrolować transkrypcję. Nie warto jej pomijać. Jeżeli system pomyli nazwę produktu, połączy dwóch rozmówców albo zetnie jedno zdanie na trzy fragmenty, błąd przejdzie dalej do tłumaczenia i syntezy.

Kolejność pracy, która oszczędza najwięcej czasu, wygląda tak:

1. poprawić transkrypcję,

2. skontrolować podział mówców,

3. dopiero wtedy przetłumaczyć materiał,

4. poprawić polskie zdania pod długość oryginalnych kwestii,

5. przypisać głosy,

6. wygenerować kilka krytycznych fragmentów testowych,

7. dopiero po odsłuchu uruchomić cały materiał.

Punkt czwarty jest szczególnie ważny. Dubbing nie jest zwykłym tłumaczeniem tekstu. Angielskie zdanie trwające 2,5 sekundy może po poprawnym przełożeniu na polski potrzebować czterech sekund. Model TTS może próbować je przyspieszyć, ale efekt zaczyna wtedy przypominać lektora czytającego regulamin aukcji.

Czasem lepiej skrócić polskie tłumaczenie o trzy słowa niż godzinę później poprawiać synchronizację.

VoiceStudio pozwala też zdecydować, jak konsekwentnie ma być utrzymywany głos konkretnego mówcy. Przy generowaniu każdej wypowiedzi na podstawie jej własnego fragmentu można bardzo dobrze zachować lokalne emocje i sposób wypowiedzi, ale barwa głosu potrafi delikatnie zmieniać się pomiędzy zdaniami.

Tryb utrzymujący wspólny wzorzec dla danego mówcy zmniejsza takie „pływanie”. Przy wywiadach i filmach z dwiema-trzema osobami jest to zwykle lepszy wybór. Gdy ważniejsza jest ekspresja pojedynczych kwestii, można pozostać przy dopasowaniu per segment.

Program wykorzystuje też narzędzia do separowania mowy i muzyki oraz diarizacji, ale nie warto traktować ich jak magii. Film, na którym trzy osoby przekrzykują się przy głośnej muzyce, nadal będzie znacznie trudniejszy niż podcast nagrany na osobnych mikrofonach.

Do tego dochodzi czas renderowania. W ElevenLabs ciężka część obliczeń odbywa się na serwerze. Tutaj płacisz własnym GPU i własnym czasem. Jeśli komputer renderuje materiał przez godzinę, VoiceStudio nie wystawi rachunku za dodatkowe kredyty, ale karta graficzna będzie przez tę godzinę zajęta.

Za to pliki źródłowe nie muszą opuszczać komputera. Dla materiałów firmowych, nieopublikowanych podcastów, szkoleń wewnętrznych czy nagrań klientów jest to bardzo konkretna przewaga. Domyślnie również projekty, zapisane głosy i wyniki pozostają lokalnie.

Największa wada? VoiceStudio nadal jest oznaczane jako active beta. Aktualizacje potrafią zmieniać zachowanie części funkcji, cięższe modele mają różne zależności, a uruchomienie konfiguracji bardziej egzotycznej niż NVIDIA + Windows/Linux lub Apple Silicon wymaga czasem więcej cierpliwości. To produkt, który już potrafi wykonywać realną pracę, ale nie ma jeszcze poziomu bezobsługowości typowej usługi SaaS.

Ile naprawdę oszczędzasz względem ElevenLabs i gdzie jest haczyk

VoiceStudio w lokalnym trybie nie ma abonamentu, opłaty za minutę ani systemu kredytów. Koszt programu wynosi 0 USD, ale komputer oczywiście nie jest darmowy.

ElevenLabs we wrześniu 2026 r. ma między innymi plany:

• Free — 0 USD miesięcznie, 10 tys. kredytów,

• Starter — 6 USD miesięcznie, 30 tys. kredytów,

• Creator — 22 USD miesięcznie, 121 tys. kredytów; pierwszy miesiąc promocyjnie 11 USD,

• Pro — 99 USD miesięcznie, 600 tys. kredytów,

• Scale — 299 USD miesięcznie, 1,8 mln kredytów,

• Business — 990 USD miesięcznie, 6 mln kredytów.

Do podanych stawek mogą dochodzić odpowiednie podatki.

Dla osoby zainteresowanej klonowaniem ważna jest granica funkcjonalna. Instant Voice Cloning pojawia się od Startera, natomiast Professional Voice Cloning od planu Creator.

Przy dubbingu różnica robi się jeszcze bardziej widoczna. ElevenLabs rozlicza go według długości materiału źródłowego i każdego języka docelowego. W Dubbing v2 dodatkowa minuta kosztuje obecnie, zależnie od planu, około 2,23-4,91 USD, a pakiety zawierają od ułamka minuty do kilkudziesięciu minut Dubbing v2 miesięcznie. Starszy Dubbing v1 jest zdecydowanie tańszy, ale obowiązują w nim inne warunki oraz warianty ze znakiem wodnym i bez niego.

Jeżeli ktoś dubbinguje dwa krótkie filmy w miesiącu, zakup mocnej karty graficznej tylko po to, żeby uniknąć abonamentu nie ma ekonomicznego sensu.

Inaczej wygląda sytuacja twórcy, który już ma RTX 3060 12 GB, RTX 4060 Ti 16 GB, RTX 4070 lub podobną kartę i regularnie produkuje kilkadziesiąt minut głosu tygodniowo. Koszt krańcowy następnej lokalnie wygenerowanej godziny jest wtedy przede wszystkim kosztem energii oraz czasu komputera, a nie kolejnego pakietu kredytów.

Jest jednak ważniejszy haczyk niż wydajność: licencje.

Sama aplikacja VoiceStudio jest obecnie udostępniana na AGPL-3.0. Można używać jej prywatnie, w firmie i zarabiać na wykonanej pracy. Jeżeli jednak ktoś modyfikuje VoiceStudio i udostępnia tak zmodyfikowane oprogramowanie jako usługę sieciową, wchodzą obowiązki wynikające z AGPL. Dla firm chcących zamknąć rozwiązanie we własnym produkcie dostępna jest osobna licencja komercyjna.

To jeszcze nie koniec. Modele pobierane przez VoiceStudio zachowują własne warunki licencyjne. Licencja aplikacji nie kasuje ograniczeń modelu.

To szczególnie istotne przy domyślnym stosie OmniVoice. Kod i sama aplikacja mogą mieć określone otwarte licencje, natomiast pobierane wagi modelu i wykorzystywane komponenty mogą być objęte innymi warunkami, w tym ograniczeniami dotyczącymi zastosowań komercyjnych. Jeżeli przygotowujesz dubbing dla klienta, kanału firmowego, płatnego kursu albo reklamy, najpierw sprawdź licencję konkretnego silnika i wersji modelu, zamiast zakładać, że skoro VoiceStudio jest open source, wszystko wygenerowane każdym modelem można automatycznie sprzedawać.

Do komercyjnego workflow lepiej dobrać silnik z warunkami odpowiadającymi projektowi niż odkryć ograniczenie licencyjne dzień przed publikacją.

Druga granica dotyczy samego klonowania ludzi. Techniczna możliwość stworzenia kopii cudzego głosu nie daje prawa do wykorzystania go w reklamie, filmie czy materiale podszywającym się pod tę osobę. Przy klientach najbezpieczniejszą praktyką jest posiadanie jednoznacznej zgody obejmującej klonowanie głosu, zakres wykorzystania, kanały publikacji i okres użycia.

Od 2 sierpnia 2026 r. obowiązują też unijne wymogi przejrzystości wynikające z AI Act. Gdy wygenerowane lub zmanipulowane audio albo wideo stanowi deepfake, podmiot korzystający z takiego systemu ma obowiązek ujawnić, że materiał został sztucznie wygenerowany lub zmodyfikowany. Dla treści wyraźnie artystycznych, satyrycznych czy fikcyjnych obowiązek jest łagodniejszy, ale informacja o wykorzystaniu treści generowanej nadal powinna zostać przekazana w odpowiedni sposób.

Lokalne przetwarzanie nie jest więc furtką do anonimowego klonowania cudzych głosów. Brak chmury zmienia sposób przetwarzania danych, a nie prawa do wykorzystania wizerunku głosowego konkretnej osoby.

Decyzja między VoiceStudio a ElevenLabs jest przez to dość prosta.

ElevenLabs wybrałbym wtedy, gdy:

• najważniejsza jest szybkość uruchomienia,

• komputer nie ma mocnego GPU,

• produkcja jest sporadyczna,

• nie chcę zarządzać modelami i aktualizacjami,

• wolę przewidywalny SaaS niż konfigurowanie lokalnego stosu.

VoiceStudio ma większy sens, gdy:

• dubbing lub TTS wykonuję regularnie,

• mam przynajmniej 16 GB RAM i sensowne GPU,

• chcę przetwarzać poufne materiały lokalnie,

• nie chcę płacić za każdą kolejną minutę,

• potrzebuję kontroli nad transkrypcją, segmentami i głosami,

• akceptuję, że narzędzie w wersji beta czasem wymaga ręcznej interwencji.

Na start nie instalowałbym dziesięciu modeli. Najpierw VoiceStudio + domyślny silnik + 10-sekundowa czysta próbka własnego głosu + minutowy film testowy. Jeśli jakość i szybkość są wystarczające, dopiero wtedy warto eksperymentować z CosyVoice, GPT-SoVITS czy innymi silnikami.

To najszybciej odpowie na pytanie, którego żadna tabela parametrów nie rozstrzygnie: czy konkretny komputer potrafi produkować głos wystarczająco dobry dla konkretnego projektu.

FAQ

Czy VoiceStudio naprawdę jest darmowe?
Tak. Lokalna aplikacja nie wymaga abonamentu, konta ani kupowania kredytów. VoiceStudio jest udostępniane na licencji AGPL-3.0. Trzeba jednak osobno sprawdzać licencje pobieranych modeli, szczególnie przed zastosowaniem komercyjnym.

Czy można klonować polski głos?
Tak. Polski znajduje się w zakresie obsługiwanym przez dostępne wielojęzyczne modele. Jakość zależy jednak od silnika i materiału referencyjnego. Szczególnie warto testować nazwiska, liczby, skróty i zapożyczenia z angielskiego.

Ile nagrania potrzeba do sklonowania głosu?
Technicznie wystarczy kilka sekund. Do normalnego testu najlepiej przygotować około 5-15 sekund czystej mowy jednej osoby, bez muzyki i pogłosu. Dłuższe nagranie nie musi poprawić rezultatu w systemie zero-shot.

Czy VoiceStudio działa bez karty graficznej?
Tak, może korzystać z CPU. Do pojedynczych krótkich nagrań jest to użyteczne, ale przy długim dubbingu czas generowania szybko staje się problemem. Do wygodniejszej pracy sensownym celem jest GPU z około 8 GB VRAM lub więcej.

Czy AMD Radeon działa pod Windowsem?
VoiceStudio może działać na takim komputerze, ale lokalna akceleracja ROCm jest przeznaczona dla Linuxa. Pod Windowsem Radeon oznacza w praktyce wykonywanie wielu zadań na CPU. Do VoiceStudio znacznie wygodniejsza jest tam NVIDIA z CUDA.

Czy na MacBooku działa to dobrze?
Najlepszym wyborem są komputery z Apple Silicon: M1, M2, M3 lub M4. VoiceStudio może wtedy korzystać z akceleracji MPS i modeli MLX. Mac z Intelem jest znacznie gorszą bazą do lokalnego backendu.

Czy można dubbingować cały film, a nie tylko generować pojedyncze zdania?
Tak. VoiceStudio obsługuje cały proces: import materiału, transkrypcję, wykrywanie mówców, tłumaczenie, przypisywanie głosów, generowanie nowych wypowiedzi, kontrolę czasu oraz eksport audio lub wideo.

Czy VoiceStudio jest lepsze od ElevenLabs?
Nie w każdym zastosowaniu. ElevenLabs jest prostsze i przenosi koszt sprzętu oraz konfiguracji na usługę chmurową. VoiceStudio daje większą kontrolę, prywatność i brak licznika minut, ale wymaga odpowiedniego komputera oraz większej ilości pracy technicznej.

Czy mogę sklonować głos znanej osoby i użyć go w filmie?
Sama możliwość techniczna nie daje prawa do takiego wykorzystania. Przy realnej osobie trzeba uwzględnić jej prawa i zgodę, a publikowane materiały typu deepfake podlegają również obowiązkom przejrzystości wynikającym z unijnego AI Act.

Od czego najlepiej zacząć?
Nie od pełnego filmu. Nagraj 10 sekund własnego, czystego głosu, wygeneruj kilkanaście zdań po polsku, a potem zdubbinguj minutowy fragment filmu. Sprawdź trzy rzeczy: podobieństwo głosu, czas generowania i stabilność głosu pomiędzy segmentami. Jeśli któryś z tych punktów odpada już na minutowym teście, najpierw zmień model albo sprzęt. Renderowanie godzinnego materiału niczego wtedy nie naprawi.