Dubbing AI po polsku: przetłumacz głos w filmie i w grze (ElevenLabs vs alternativa)
Damian GębalaAutorDubbing AI w 2026 roku to nie jedna usługa, tylko trzy różne zadania, które sprzedawcy nazywają tym samym słowem. Jedno polega na przetłumaczeniu istniejącej ścieżki głosowej filmu, drugie na wygenerowaniu głosu lektorskiego od zera, trzecie na tym, żeby w grze dialogi padały po polsku automatycznie przy każdym uruchomieniu. Ceny tych trzech rzeczy różnią się o rząd wielkości, a dołożenie do tego synchronizacji ust zmienia rachunek po raz drugi.
Polski jest obsługiwany, i to w obu modelach ElevenLabs oraz w narzędziach konkurencyjnych, więc pytanie nie brzmi „czy da się”, tylko czym zapłacisz i gdzie stracisz jakość. Poniżej liczby z cenników sprawdzonych 30 września 2026, a tam gdzie źródła się rozjeżdżają, zostawiam to wprost.
Dwa zadania, które nazywają „dubbingiem AI”
Dubbing istniejącego materiału wygląda tak: bierzesz gotowy plik wideo, narzędzie samo rozpoznaje mówców, tłumaczy dialogi na polski i generuje głos podobny do oryginalnego, z zachowaniem tła. Ścieżka audio tła zostaje nietknięta, więc muzyka i efekty dźwiękowe nie wymagają ponownego miksu.
Synteza głosu to zupełnie inna rzecz. Piszesz tekst, wybierasz głos i dostajesz plik. Nikt nie tłumaczy, nikt nie transkrybuje, nie ma synchronizacji z ustami aktora. To narzędzie do lektorów, reklam, audiobooków i dialogów w grze generowanych w trakcie rozgrywki.
Mylenie tych dwóch rzeczy to najczęstszy błąd w wyliczeniach: jednostką bywa raz kredyt, raz minuta materiału, raz godzina. Poniżej każdą cenę podaję w jej własnej jednostce, bo mieszanie ich w jednej tabeli daje liczby, które nic nie znaczą.
Trzy modele rozliczania, których nie wolno wkładać do jednej tabeli
Subskrypcja z kredytami. Kupujesz dostęp do platformy na miesiąc i dostajesz pulę jednostek. W ElevenLabs kredytów nie da się wymienić na minuty wprost, bo każdy tryb dubbingu zużywa ich inną liczbę: automatyczny ze znakiem wodnym 2000 kredytów za minutę, automatyczny bez znaku 3000, Dubbing Studio ze znakiem 5000 i bez znaku 10000. Dopiero po podzieleniu limitu planu przez koszt danego trybu widać realną liczbę minut.
Rozliczenie za minutę materiału. Tak działa API ElevenLabs, gdzie ceny podano w dolarach i „dubbing jest rozliczany za minutę dźwięku źródłowego”. Wariant v1 kosztuje 0,33 $ za minutę ze znakiem wodnym i 0,50 $ bez, a wariant v2 2,20 $ za minutę. Przy filmie trwającym 30 minut wychodzi odpowiednio 9,90 $, 15 $ albo 66 $. Trzy zupełnie różne poziomy jakości i kontroli za tę samą długość materiału.
Rozliczenie za godzinę audio. Speechmatics sprzedaje transkrypcję po 0,129 $ za godzinę i tłumaczenie jako dodatek po 0,65 $ za godzinę, czyli około 0,011 $ za minutę. Respeecher ma API syntezy głosu pay as you go za 2 $ za godzinę wygenerowanej mowy, bez limitu subskrypcji. To zupełnie inna skala niż tradycyjny lektor, którego usługa kosztuje ponad 200 $ za minutę gotowego, opracowanego voice overu według deklaracji WellSaid Labs. Nie ma podstaw, żeby policzyć dziesiątki razy taniej, bo to nie ta sama usługa - zakres i poprawki są inne.
ElevenLabs: co realnie wydubbujesz w każdym planie
Plan darmowy nie ma Dubbing Studio, więc zostaje ci tylko automatyczny dubbing z 10 000 kredytów, czyli 5 minut materiału ze znakiem wodnym albo około 3 minut bez niego. To jest próba, nie produkcja.
| Plan | Cena miesięczna | Kredyty | Minuty: auto ze znakiem | Minuty: Dubbing Studio bez znaku |
|---|---|---|---|---|
| Free | 0 $ | 10 000 | 5 | 1 (bez Studio) |
| Starter | 6 $ | 30 000 | 15 | 3 |
| Creator | 22 $ | 121 000 | 60 | 12 |
| Pro | 99 $ | 600 000 | 300 | 60 |
| Scale | 299 $ | 1 800 000 | 900 | 180 |
| Business | 990 $ | 6 000 000 | 3 000 | 600 |
Płatność roczna to dziesięć miesięcy zamiast dwunastu, czyli 5 $ miesięcznie przy Starterze, 18,33 $ przy Creatorze, 82,50 $ przy Pro i 249,17 $ przy Scale. Plan Business daje też jedno miejsce, w którym dubbing prowadzi za Ciebie zespół producentów, bo dopiero tam ElevenLabs opisuje to jako w pełni zarządzane wdrożenie.
To, czego nie widać w cenniku, jest w dokumentacji. Dubbing Studio, czyli tryb z ręczną korektą transkrypcji, zmianą przypisania mówców i regeneracją pojedynczych fragmentów, działa tylko na modelu v1 i jest w trybie konserwacji, więc dostaje wyłącznie poprawki krytycznych błędów. Automatyczny dubbing na modelu v2 daje lepszą jakość, ale edycja transkrypcji i regeneracja nagrań przez API są tam dostępne wyłącznie w planie Enterprise. Czyli wyższa jakość dokładnie tam, gdzie ręczna korekta jest najbardziej potrzebna, jest najdroższa.
Rask.ai: dopłata za synchronizację ust i jak ona zmienia rachunek
Rask.ai sprzedaje dubbing razem z synchronizacją ust, której w ElevenLabs w ogóle nie ma. Stawka jest jednak zupełnie inna, bo firma rozlicza wszystko jedną jednostką: jedna minuta materiału to jeden kredyt, a tłumaczenie zjada tyle minut, ile trwa gotowe wideo. Enhanced Lip-sync zjada trzy kredyty za każdą minutę wideo, więc tłumaczenie z synchronizacją ust zużywa cztery kredyty na minutę, zamiast jednego.
Stąd konkretna matematyka. Creator Pro daje 100 minut za 150 $ miesięcznie. Sama translacja wychodzi 1,50 $ za minutę wideo. Po dodaniu Enhanced Lip-sync minutnik rośnie do 6 $ za minutę, bo z 100 kredytów zostaje 25 minut gotowego materiału, a nie 100. Przy płatności rocznej, 100 minut za 120 $, wychodzi 4,80 $ za minutę. Plan Business oferuje dodatkowe minuty po 3 $.
| Plan Rask.ai | Minuty kredytów | Cena miesięcznie | Samo tłumaczenie | Tłumaczenie z lip sync |
|---|---|---|---|---|
| Creator | 25 | 60 $ (50 $ rocznie) | 2,40 $ / min (2,00 $) | 9,60 $ / min (8,00 $) |
| Creator Pro | 100 | 150 $ (120 $ rocznie) | 1,50 $ / min (1,20 $) | 6,00 $ / min (4,80 $) |
| Business | 500 | 750 $ (600 $ rocznie) | 1,50 $ / min (1,20 $) | 6,00 $ / min (4,80 $) |
Tu jest sedno porównania z ElevenLabs. Wariant v2 u ElevenLabs kosztuje 2,20 $ za minutę i nie obejmuje synchronizacji ust. Ten sam materiał z synchronizacją ust w Rask.ai wychodzi 4,80 $ do 6 $ za minutę. Jeśli twoje ujęcia to głównie zbliżenia na twarz albo rozmowy dwóch osób, dopłata się zwraca, bo bez niej widz widzi rozjeżdżające się usta. Przy wywiadzie w kadrze z przeciwległej strony albo przy montażu z retrospektywą możesz z niej zrezygnować.
Respeecher idzie inną drogą niż obaj konkurenci. Nie sprzedaje dubbingu wideo, tylko głos: API syntezy za 2 $ za godzinę oraz klonowanie głosu między językami, gdzie lektor nagrywa po hiszpańsku, francusku albo po japońsku, a system oddaje ten język z właściwym akcentem. Działa w trybach TTS i STS, ma wtyczkę do Pro Tools i listę branż, w której obok mediów stoją gry, audiobooki i e-learning. Firma pracowała nad głosem Miłogost Reczka przy dodatku Phantom Liberty do Cyberpunk 2077 dla CD PROJEKT RED, nad węgierską wymową Adriena Brody i Felicity Jones w The Brutalist oraz nad śpiewem w Emilia Pérez. Cena jest negocjowana indywidualnie, a w publicznym cenniku widnieje tylko stawka za API syntezy.
Narzędzia, które dubbingu nie robią, ale czasem mylisz z dubbingiem
Typecast generuje głos z tekstu i pozwala sterować emocjami. Cennik: darmowy dostęp z 3000 kredytów, czyli około 5 minut materiału, potem Plus za 19 $ miesięcznie przy płatności rocznej z 40 000 kredytów, czyli 50 minut, Pro za 29 $ z 75 000 kredytów, czyli 90 minut, Business za 69 $ z 200 000 kredytów, czyli 250 minut. Przeliczone na minutę to od 0,38 $ do 0,28 $, czyli najtańsza z tej rodziny, ale tylko wtedy, gdy sam dostarczasz tekst po polsku i nie potrzebujesz transkrypcji ani tłumaczenia.
WellSaid Labs ma wyłącznie głosy angielskie, więc jako punkt odniesienia dla polskiego dubbingu się nie nadaje. HeyGen tworzy wideo z awatarem zamiast dubbować istniejący materiał: Creator kosztuje 29 $ miesięcznie albo 24 $ rocznie, Pro 49 $, Business 149 $ plus 20 $ za dodatkowe miejsce, a deklarowany zakres to 175 języków i dialektów. Film, w którym ktoś opowiada po polsku do kamery, to jego zadanie. Przetłumaczenie cudzego materiału, już nie.
Ta sama zasada co przy narzędziach AI w cenach złotych: najpierw jednostka rozliczenia, potem cena.
Dubbing AI w grach
W grach głos po polsku pojawia się na trzy sposoby. Może to być gotowy dubbing nagrany przez aktorów, który studio dokleja jako ścieżkę językową. Może to być synteza generowana w trakcie rozgrywki, gdzie każda wypowiedź NPC powstaje z tekstu w momencie gry. A może to odtworzenie głosu autora postaci przez AI, gdy oryginalny aktor już nie może lub nie chce.
Trzeci wariant ma realne wdrożenia, w tym polskie. Respeecher pomagało CD PROJEKT RED odtworzyć głos Miłogost Reczka przy dodatku Phantom Liberty do Cyberpunk 2077. W branży gier krąży też spór o to, czy granica między deepfakiem a cyfrowym odtworzeniem postaci w grze w ogóle przebiega tam, gdzie zakładają to przepisy. W czerwcu 2026 organizacja branżowa ESA ostrzegała, że projekt No Fakes Act nie rozróżnia deepfakeów od cyfrowych replik stosowanych w grach i nazwała to realnym zagrożeniem dla istniejących tytułów oraz dla przyszłości amerykańskiego gamedevu. Wątek drugi to ujawnianie AI na Steamie: Saber Interactive dodała disclaimer AI do tytułu Rideshare, a Epic publicznie zarzucał Valve, że oznaczenia na Steamie są nieodpowiedzialne i utrudniają pracę deweloperom.
Dla kogoś, kto lokalizuje produkt, skala jest jednak jasna i opiera się na danych, nie na deklaracjach. Według CSA Research przywołanego przez Rask.ai gry tylko po angielsku sięgają 27% globalnego rynku, 60% osób nieposługujących się angielskim jako językiem ojczystym rzadko albo wcale nie kupuje gier niezlokalizowanych, a 64% kupujących ceni sobie zlokalizowaną treść. Przy własnym produkcie do zdecydowania, czy warto generować głos dla rynku, w którym kupujących jest niewiele.
Jednej rzeczy nie potwierdziłem w źródłach, więc napiszę wprost: nie znalazłem wiarygodnego potwierdzenia, żeby cała polska ścieżka głosowa dużej gry powstała wyłącznie z AI. Są pojedyncze wdrożenia głosu po polsku i są tytuły robione częściowo, ale publikacje branżowe z 2026 roku raczej opisują opór środowiska niż masową automatyzację. Zabawne przypadki do obejrzenia, trudne do skopiowania.
Polski w praktyce: co ustawić i czego zabraknie
Polski ma w ElevenLabs podstawowy tag językowy pl, bez wariantu regionalnego, więc narzędzie nie rozróżnia polskiego z Warszawy i z Poznania. To zwykle nie przeszkadza, ale zakłada, że zaakceptujesz jednolitą wymowę w całym materiale.
Najważniejsze ustawienie to podobieństwo głosu mówcy, skala od 0 do 10, domyślnie 7. Wyższa wartość przyciąga głos do oryginalnego aktora, ale w innym języku z bardzo inną fonetyką zaczyna brzmieć sztucznie, a do tego przeciąga akcent oryginału do polskiego zdania. Przy dubbingu z angielskiego na polski 7 to dobry punkt startowy, wyżej warto wchodzić świadomie i odsłuchiwać.
Trzy limity przed zleceniem: automatyczny dubbing przyjmuje do 1 GB i 180 minut materiału w aplikacji, a Dubbing Studio do 45 minut; jednym plikiem obsługiwane jest do 32 różnych mówców; wsad i wychod obsługuje MP3, MP4, WAV i MOV. Dubbingu na żywo w czasie rzeczywistym nie ma i firma tego nie zapowiada. Nieprzeniesione kredyty przepadają po dwóch miesiącach, a na planie darmowym w ogóle się nie przenoszą. Przy krótkich seriach publikacji, gdzie w miesiącu dubbujesz po 10 minut, lepiej płacić za faktycznie zrobione minuty niż za abonament.
Z testów narzędzi AI na polskim tekście widać, że modele dobrze radzą sobie z pisaniem po polsku, gorzej z mową. Wymowę sprawdź na jednym akapicie, zanim kupisz roczny plan - co wychodzi z testów na polskim tekście opisuję osobno.
Osiem kroków od pliku do gotowego dubbingu
Cała ścieżka mieści się w jednym podejściu dla materiału poniżej 45 minut. Powyżej tej granicy automatyczny tryb przyjmuje 180 minut, a ręczny już nie, więc duży projekt dzielisz na części.
- Import materiału z YouTube, TikToka, adresu albo wgraniem pliku.
- Wybór trybu: automatyczny v2 albo Dubbing Studio na v1, jeśli planujesz korektę.
- Rozpoznanie mówców, także przy nakładających się głosach.
- Tłumaczenie i wygenerowanie głosu w jednym przebiegu.
- Ustawienie podobieństwa mówcy.
- Zachowanie tła, żeby nie miksować muzyki od nowa.
- Korekta transkrypcji, przypisania mówców i pojedynczych ujęć.
- Eksport w jednym z czterech formatów wejścia i wyjścia.
Prawo: syntetyczny głos trzeba oznaczyć
Artykuł 50 unijnego Aktu o sztucznej inteligencji stosuje się od 2 sierpnia 2026 i wprost wymienia audio. Dostawcy systemów generujących syntetyczne audio, obraz, wideo lub tekst mają obowiązek oznaczyć wynik w formacie maszynowo czytelnym i wykrywalnym jako wygenerowany albo zmieniony sztucznie. Wyjątek dotyczy sytuacji, gdy system pełni jedynie funkcję pomocniczą przy standardowej edycji i nie zmienia istotnie danych wejściowych. Systemy, które trafiły na rynek przed 2 sierpnia 2026, muszą spełnić ten warunek do 2 grudnia 2026.
Po stronie zleceniodawcy obowiązek ujawnienia dotyczy deepfakeów, czyli materiału generowanego albo zmienianego tak, że wydaje się autentyczny. Tutaj jest wyjątek istotny właśnie dla dubbingu: jeśli treść jest częścią ewidentnie artystycznego, kreatywnego, satyrycznego, fikcyjnego lub podobnego dzieła albo programu, obowiązek ogranicza się do ujawnienia, że taka treść istnieje, w sposób, który nie psuje odbioru. Czyli napis „dźwięk zsyntetyzowany” w opisie albo w napisach końcowych spełnia wymóg, a żadna plakietka na środku sceny nie jest potrzebna. Ujawnienie musi nastąpić najpóźniej w momencie pierwszego kontaktu z materiałem.
Przy cennikach w USD i artykułach o narzędziach łatwo przeoczyć, że przepisy dotyczą też tego, co kupujesz. Zgodność produktowa z AI to osobny temat, a narzędzia dubbingowe są jej typowym przykładem, bo generator głosu to dokładnie ten rodzaj systemu, o którym mówi art. 50.
Gdzie te narzędzia się psują
Największa przepaść to kontrola. Dubbing Studio, tryb, w którym naprawiasz pojedyncze zdanie, działa na starszym modelu v1 i jest w trybie konserwacji. Nowszy v2 daje lepszy głos, ale korekty w API ogranicza do Enterprise. Zależąc na poprawce konkretnej kwestii, wybierasz między kontrolą a jakością i płacisz za obie.
Druga przepaść to lip sync. ElevenLabs go nie ma wcale, Rask.ai nalicza trzy kredyty za każdą minutę wideo. Trzecia to tło: przy zmianie długości kwestii tło i głos rozjeżdżają się i wtedy ogląda się to pojedynczym ujęciem. Czwarta to pułapka kosztowa: porównanie „2 $ za godzinę syntezy głosu” z „2,20 $ za minutę dubbingu” wygląda jak wybór taniego rozwiązania, a dotyczy różnych usług. Ten sam rachunek, inna jednostka, inna decyzja - scenariusze kosztowe liczy się w ten sam sposób.
Zdarza się też, że automatyczny dubbing się nie powiedzie i kredyty przepadają. W Dubbing Studio błąd lub anulowanie zadania zwraca kredyty automatycznie, w wariancie v2 nie płacisz za nieudane zadania. Warto sprawdzić, zanim zbudujesz na tym automatyzację, bo najczęstsze błędy w automatyzacjach zaczynają się właśnie od założenia, że usługa zewnętrzna zawsze zwróci to, co jej dałeś.
Trzy scenariusze i co wybrać
Masz kilka filmów na YouTube po polsku, po 5 do 15 minut, bez twarzy w kadrze albo z kamery pod kątem. ElevenLabs Starter za 6 $ miesięcznie daje 15 minut automatycznego dubbingu ze znakiem albo 10 minut bez znaku, a Creator za 22 $ daje odpowiednio 60 i 40 minut. Jeśli potrzebujesz poprawiać zdania pojedynczo, Dubbing Studio wchodzi dopiero w tych samych planach i przy 10 000 kredytów za minutę daje 3 minuty na Starterze oraz 12 na Creatorze. Przy takim wolumenie roczna subskrypcja Startera, czyli 60 $ rocznie, zwykle bije rozliczenie per minuta z API.
Robisz materiał z twarzą w kadrze i potrzebujesz synchronizacji ust. Wtedy Rask.ai Creator Pro przy płatności rocznej, 100 minut za 120 $, realnie daje 25 minut materiału, bo lip sync zjada trzy czwarte puli. To 4,80 $ za gotową minutę. Alternatywą jest własny pipeline: ElevenLabs v2 daje głos za 2,20 $ za minutę, a synchronizację ust dokładasz osobno, własnym narzędziem albo ręcznie.
Planujesz długą serię po polsku albo lokalizację własnej gry. Wtedy płacenie na poziomie pojedynczych minut odpada, bo limity są małe, a czas na wdrożenie rośnie. Kupujesz dostęp roczny, automatyczny tryb dostajesz na materiały proste, a Dubbing Studio zostawiasz na te wymagające korekty. Pełną obsługę w ElevenLabs daje dopiero plan Business z zarządzanym dubbingiem, a u Respeecher wycenę negocjujesz osobno, wraz z klauzulą zgody głosowego i śledzeniem pochodzenia nagrania. Głos należy do aktora i do studia, które udzieliło zgody i ustalenia wynagrodzenia, także wtedy, gdy wygenerowany jest maszynowo.
Trzy rzeczy warto zrobić zanim wydasz pierwszą złotówkę. Sprawdź, czy twój materiał potrzebuje synchronizacji ust, bo to jedyna pozycja, która realnie zmienia rachunek. Przesłuchaj jeden akapit po polsku na darmowym planie. I sprawdź, ile z planu zużywasz naprawdę, bo kredyty przepadają po dwóch miesiącach, a subskrypcja łatwiej się przedłuża niż anuluje.