
ElevenLabs czy Azure Speech do polskiego lektora? Emocje kosztują

Do krótkiej polskiej rolki, w której liczą się pytanie, pauza i energia wypowiedzi, wybrałbym ElevenLabs. Przy podcaście lub kursie z powracającymi nazwami, datami i skrótami Azure Speech daje więcej sposobów zapisania wymowy w scenariuszu syntezy. Wybór zależy od brzmienia konkretnego głosu oraz ilości pracy potrzebnej do utrzymania poprawnej narracji w całej serii.
Za ekspresję ElevenLabs trzeba zapłacić, gdy materiał ma zarabiać: licencja komercyjna zaczyna się w płatnym planie. Prawo komercyjnego użycia nagrań z gotowych głosów neuronowych Azure również dotyczy klientów płatnej warstwy. Darmowe limity nadają się do odsłuchu, ale nie powinny zastępować kosztorysu publikacji.
Co naprawdę porównano w polskim odsłuchu
W odsłuchu Generatorni głosy Microsoft Marek i Zofia oraz George w ElevenLabs Multilingual v2 czytały ten sam krótki tekst ze słowami „chrząszcz” i „źdźbło”. Autor uznał intonację George’a za najlepszą w tej próbie: zachował pytanie i pauzy, które Zofia spłaszczyła. Marek zachował pytanie, lecz mówił wolniej; żaden z głosów nie poradził sobie bez zastrzeżeń z całym trudnym tekstem.
To użyteczny argument dla rolki, ale zakres obserwacji jest wąski. George pochodził z angielskiej biblioteki głosów, więc wynik nie jest oceną wszystkich polskich głosów ElevenLabs. Z kolei Marek i Zofia to dwa konkretne głosy Microsoftu, a nie pełny katalog Azure. Część porównania opierała się na transkrypcji Whispera: błąd w zapisie odsłuchanego słowa nie rozstrzyga sam, czy pomylił się syntezator, czy rozpoznawanie mowy. Wniosek o intonacji jest więc oceną tej próbki, nie gwarancją, że każdy tekst zabrzmi podobnie.
Kiedy długość nagrania zmienia wybór

Rolka ma zwykle jeden punkt kulminacyjny: pytanie, zwrot lub puentę. Jeśli głos wypowiada je płasko, poprawienie pojedynczej nazwy niewiele zmieni w odbiorze całości. W takim zadaniu ElevenLabs zasługuje na pierwszy odsłuch. Jego przewaga jest szczególnie istotna, kiedy montażysta potrzebuje gotowego zdania, a nie chce ręcznie składać tempa z kilku wersji.
W długiej narracji ważniejsza staje się powtarzalność. Ten sam skrót może wystąpić w kolejnych lekcjach kursu; każda inna wymowa oznacza osobną poprawkę. Podcast dokłada nazwy gości, marek i miejsc, które mogą nie pasować do domyślnej interpretacji syntezatora. Przy takich zadaniach wartość Azure wynika z technicznej kontroli nad wejściowym tekstem. Oznacza to więcej przygotowania na początku, ale potencjalnie mniej ręcznych poprawek, jeśli problematyczne wyrazy wracają w wielu odcinkach.
Odsłuch efektownego wstępu nie wystarczy do oceny spokojnych fragmentów objaśniających. Zestawienie powinno używać tej samej wersji scenariusza w obu usługach i obejmować pytanie, datę, liczbę oraz nazwę własną. Taki fragment pozwala usłyszeć zarówno sposób podania, jak i miejsca wymagające ponownej syntezy. To kryterium wyboru dla własnej produkcji, a nie wynik nowego testu.
Co da się poprawić w wymowie
Najprostsze rozwiązanie działa niezależnie od platformy: zamiast zapisu, który można odczytać na kilka sposobów, w scenariuszu pojawia się pełna forma słowna. Kwota, skrót czy data wymagają jednak odmiany zależnej od zdania. Przy jednorazowej rolce taka redakcja jest szybka; w katalogu lekcji tę samą korektę trzeba zastosować konsekwentnie.
Azure pozwala przenieść część tej pracy do SSML. Dokumentacja wymowy Microsoftu opisuje znacznik sub, który podmienia wypowiadany tekst, say-as wskazujący typ zapisu, na przykład liczbę albo datę, oraz słownik wymowy dla powtarzających się nazw. Nie każdy wariant znacznika działa we wszystkich językach, dlatego dla polskiego głosu najbezpieczniejsza jest próba na konkretnej frazie. Korzyść z reguły rośnie wraz z liczbą wystąpień tej samej nazwy.
W ElevenLabs można zmienić interpunkcję, rozpisać problematyczny wyraz lub ponownie wygenerować krótki fragment. Każda ponowna synteza zużywa jednak część limitu. Przy dużej liczbie poprawek cena samego planu nie opisuje całego wysiłku redakcyjnego; istotna staje się również liczba prób potrzebnych do uzyskania spójnej wersji.
Prawa do publikacji i rachunek za trzy scenariusze

Według cennika ElevenLabs licencja komercyjna zaczyna się od Startera, który daje 30 tys. kredytów za 6 USD miesięcznie po promocji na pierwszy miesiąc; Creator daje 121 tys. za 22 USD, a Pro 600 tys. za 99 USD. W modelu Multilingual v2 jeden znak tekstu odpowiada jednemu kredytowi. Kredyty są wspólne dla produktów ElevenLabs, więc inne użycie zmniejsza pulę na lektora.
Cennik Azure Speech pokazuje darmowy limit F0 wynoszący pół miliona znaków syntezy neuronowej miesięcznie oraz rozliczanie płatnej syntezy według liczby znaków. Publiczny widok bez wybranego regionu i oferty nie wyświetla jednak liczbowej stawki płatnej warstwy. Warunki Microsoftu przyznają prawo użycia nagrań z gotowych głosów neuronowych, także komercyjnie, klientom płatnej warstwy TTS. Samo zmieszczenie tekstu w limicie F0 nie rozstrzyga więc o prawie do zarabiania na nagraniu.
Obliczenie według opublikowanych cen sprawdzonych 12 listopada 2026 r. Zakładam jeden miesiąc, Multilingual v2 w ElevenLabs, gotowy głos neuronowy Azure, brak ponownych generacji i innych wydatków z puli kredytów. Kwoty są w USD, bez podatków i przeliczania na złote. Przez P oznaczam niepodaną w publicznym widoku cenę Azure za milion znaków w odpowiednim regionie i płatnej ofercie.
- Krótka rolka lub kilka rolek: 20 tys. znaków. ElevenLabs Starter kosztuje 6 USD i pozostawia 10 tys. kredytów. W płatnym Azure koszt samej syntezy wyniósłby 0,02 × P USD; dokładna kwota wymaga poznania stawki. Objętość mieści się w F0, lecz to nie rozwiązuje kwestii praw komercyjnych.
- Regularny podcast albo kurs: 100 tys. znaków. ElevenLabs Creator kosztuje 22 USD i pozostawia 21 tys. kredytów. Płatny Azure daje koszt 0,1 × P USD za syntezę przy założonej stawce. Bez ceny przypisanej do regionu nie można wskazać tańszej usługi.
- Duży katalog: 600 tys. znaków. ElevenLabs Pro kosztuje 99 USD i wykorzystuje cały miesięczny przydział. W płatnym Azure synteza to 0,6 × P USD. Ten wolumen przekracza limit F0 o 100 tys. znaków, choć dla publikacji zarobkowej i tak trzeba przyjąć warunki płatnej warstwy.
W tych scenariuszach równość kosztów samej syntezy wypada przy P równym odpowiednio 300, 220 i 165 USD za milion znaków. To obliczone progi, a nie opublikowane ceny Azure. Jeśli wybrany głos wymaga wielu powtórek, faktycznie przetworzona liczba znaków rośnie w obu usługach. Dlatego porównanie abonamentu z darmowym F0 zaniżałoby koszt użycia komercyjnego.
Przeczytaj także:
Powiązane artykuły


Descript czy VEED? Długa narracja zmienia wygodniejszy montaż

Mistral OCR czy Azure? Tańsza strona może oznaczać więcej kodu

AstaBrief pisze raport 3,5 raza szybciej — cytaty nadal trzeba sprawdzać

TorchNeuron przenosi PyTorch na Trainium — obietnica to jedna zmiana konfiguracji

n8n czy Make? Trzy kroki w automatyzacji mogą zmienić rachunek pięciokrotnie
Zapisz się do naszego newslettera
Otrzymuj najnowsze wiadomości o Web3, AI i kryptowalutach prosto na swoją skrzynkę.