Polski TTS, test produkcyjny 2026

Polszczyzna jest językiem fleksyjnym z silną odmianą rzeczowników, czasowników, liczebników i zaimków. „Drugi” wymawia się inaczej w „drugi pokój” (ten) i „drugi raz” (kolejność). Modele TTS trenowane głównie na angielskim radzą sobie tu nierówno, nawet jeśli ich angielska wersja jest top-tier.

Polskie znaki diakrytyczne (ą, ę, ć, ł, ń, ó, ś, ź, ż) bywają błędnie redukowane do podstawowej litery, szczególnie w nazwiskach. „Pączkowski” nie powinno brzmieć jak „Paczkowski”. „Świętokrzyski” nie powinno brzmieć jak „Swietokrzyski”.

Skróty zawodowe (dr, mgr, hab., prof.) wymagają rozwinięcia kontekstowego. Liczby godzin (8:30) najczęściej rozwijać do „ósma trzydzieści”, nie „osiem trzydzieści”. Numery telefonów grupują się dwucyframi (22 123 45 67), nie pełnymi liczbami.

Pomiar dodatkowy: WER po-TTS. Transkrypcja TTS przez wzorcowy ASR (ten sam dla wszystkich kandydatów) i porównanie do tekstu wejściowego. Próg <2% w warunkach niekrytycznych. To pomiar obiektywny, niezależny od subiektywnych wrażeń panelu.

Pomiar trzeci: stabilność. 100 generacji tego samego zdania, czy głos się nie „rozjeżdża”. Modele autoregresywne mogą generować zauważalnie różne realizacje tego samego tekstu, modele neural codec są zwykle stabilniejsze.

Pomiar czwarty: naturalność dialogu (nie pojedyncze zdania). Voicebot, który brzmi dobrze w testach jednowierszowych, może męczyć w wielu turach, jeśli pauzy są nienaturalne lub akcent zdaniowy nie zmienia się z kontekstem.

Stabilność po 1 000–10 000 rozmów: czy głos się nie zmienia, czy nie pojawiają się efekty „dzwonienia”, glitchy, czy nie ma „flutter” intonacji. Najlepsze testy to zsynchronizowany sample co 100 rozmów, porównywany do referencji.

Tryb awaryjny: co się dzieje, gdy model TTS nie odpowiada w 500 ms. Powinien być zapasowy głos lokalny lub komunikat „chwilę proszę”. Brak takiego trybu oznacza pełną ciszę w słuchawce klienta, co jest sygnałem awarii i często prowadzi do rozłączenia.

Koszt produkcyjny: TTS premium polski w jakości produkcyjnej kosztuje 0,02–0,30 USD za 1 000 znaków. Dla rozmowy 2,3 min średnio 800 znaków po stronie bota, czyli 0,016–0,24 USD per rozmowa, czyli 0,07–0,99 PLN. Dla 4 000 rozmów miesięcznie to 280–3 960 PLN/mies za sam TTS.

Cache TTS jest istotny. Otwarcia rozmowy, komunikat zgodny z art. 50, większość częstych odpowiedzi można cache'ować na poziomie audio. To redukuje koszt o 40–70 procent w typowym scenariuszu rezerwacji.

Decyzja TTS zmienia region przetwarzania danych. Polski głos premium dostępny często tylko w regionach US/EU, nie w Polsce Centralnej. Dla branż z wymogiem rezydencji wyłącznie w Polsce trzeba użyć modeli starszych z regionalną dostępnością, modeli open weights na własnej infrastrukturze, albo dostawcy chmury z lokalnym data center w regionach UE.

Licencja głosu: większość komercyjnych głosów TTS jest licencjonowana per minuta użycia + ogólna umowa terms of service. Klonowanie głosu pacjenta lub pracownika wymaga osobnej zgody pisemnej (RODO + AI Act art. 50). Voiceprint pracownika użyty w voicebocie ujawniający firmę bez zgody może rodzić ryzyko sporu: głos jest traktowany jako dobro osobiste w ramach otwartego katalogu z art. 23 KC (przez analogię do ochrony wizerunku z art. 81 ustawy o prawie autorskim i prawach pokrewnych), a w razie identyfikowalności konkretnej osoby pojawia się też kwalifikacja jako dane osobowe (art. 4 ust. 1 RODO). Doktryna nie jest jednolita; każdą sprawę warto przejrzeć z prawnikiem przed produkcją.

Dla sektora publicznego w PL: rekomendacja to polski głos open source z lokalnym wdrożeniem albo polski głos w regionie UE z gwarancją EU residency. Komercyjne głosy TTS od dostawców zewnętrznych mogą wymagać dodatkowej DPIA i konsultacji z UODO.

EROD w opinii 28/2024 wskazuje, że model AI wytrenowany na danych osobowych może (case-by-case) sam zawierać dane osobowe; model dostrojony na nagraniach głosowych konkretnej osoby (klonowanie głosu) zwykle mieści się w tym ryzyku. Trening na takich danych bez podstawy prawnej narusza RODO. Voicebot komercyjny używający syntetycznego głosu bez klonowania pozostaje poza tym zakresem, ale to ocena indywidualna, nie reguła kategoryczna.