Generuj głos (TTS)

Syntetyzuj pliki napisów (z taktowaniem) lub dowolny tekst do audio MP3 / WAV. Pięć backendów TTS: Edge TTS (darmowy), ElevenLabs (wysoka jakość), Google Cloud TTS, Gemini TTS (poziom darmowy) i Piper TTS (offline).

Czego potrzebujesz

• FFmpeg w PATH — zobacz konfigurację FFmpeg.
• Backend TTS, jeden z:
  • Edge TTS — darmowy, bez klucza, domyślny. Używa głosów chmurowych Microsoft Edge.
  • ElevenLabs — płatny, najwyższa jakość. Zobacz konfigurację ElevenLabs.
  • Google Cloud TTS — płatny, bardzo dobry. Zobacz konfigurację Google Cloud.
  • Gemini TTS — poziom darmowy, naturalne prebuilty głosów. Wykorzystuje istniejący klucz Gemini API z zakładki LLM — bez dodatkowej konfiguracji.
  • Piper TTS — całkowicie offline neuronowe TTS. Bez klucza API, bez wywołań sieciowych — głosy to pliki ONNX o rozmiarze ~25–60 MB pobierane raz przez Settings → Voice → Piper TTS → Download voices now. 32 z 45 języków aplikacji ma głos Piper dzisiaj; języki bez pokrycia Piper cicho fallbackują na Edge TTS w czasie syntezy.

Krok po kroku

1. Kliknij Generuj głos w pasku bocznym.
2. Upuść jeden lub więcej plików napisów .srt / .vtt / .ass / .ssa.
3. Wybierz Język (auto-wykrywany z nazwy pliku napisów, gdy to możliwe — np. _translated_en_fr.srt jest wykrywany jako francuski).
4. Wybierz Płeć głosu — Female lub Male.
5. Wybierz Format wyjściowy — .mp3 (domyślnie) lub .wav.
6. Kliknij Generuj (lub Ctrl+Enter).
7. Kliknij Open w wierszu po zakończeniu — odtwarza się w twojej domyślnej aplikacji audio.

Wyjście

Otrzymujesz pojedynczy plik audio z torami głosu umieszczonymi w timestampie każdego napisu. Ciche luki wypełniają czas między cue, więc audio pozostaje w synchronizacji z oryginalnym taktowaniem.

Wybór backendu TTS

Backend	Koszt	Głosy	Notatki
Edge TTS	Darmowy	Setki, wszystkie główne języki	Domyślny. Bez konfiguracji.
ElevenLabs	Płatny (~$5/mies. poziom wejściowy)	Premium głosy neuronowe, klonowanie głosu	Najwyższa jakość. Voice ID ustawione w Settings → Service.
Google Cloud TTS	Płatny (~$4/M znaków; 1 M darmowych / miesiąc)	Głosy WaveNet / Studio w 50+ językach	Silne głosy WaveNet dla języków europejskich. Domyślnie serwer wybiera głos na podstawie języka + płci.
Gemini TTS	Poziom darmowy (limity Developer API)	Naturalne prebuilty głosów w 24+ językach — Kore (domyślnie żeński) / Puck (domyślnie męski)	Wykorzystuje klucz Gemini API z zakładki LLM. Wyjście per-call ograniczone do ~30 s; długie teksty automatycznie dzielą się na granicach zdań.
Piper TTS	Darmowy, offline	Głosy neuronowe w 32 z 45 języków aplikacji	Bez klucza, bez sieci. Głos per-język pobierany na żądanie z Settings → Voice → Piper TTS → Download voices now (~25–60 MB każdy). Pre-flight wychwytuje brakujący głos przed startem pracy.

Przełącz w Settings → Voice → TTS method.

Specyfika Piper TTS

Piper to jedyny w pełni offline backend TTS w aplikacji. Kilka rzeczy do wiedzenia:

• Dialog biblioteki głosów — otwórz przez Settings → Voice → Piper TTS → Download voices now. Każdy wiersz języka pokazuje przycisk pobierania Female voice i / lub Male voice (niektóre języki są jednopłciowe). Głosy pochodzą z katalogu HuggingFace rhasspy/piper-voices.
• Pokrycie — 32 z 45 języków aplikacji ma głos Piper. 13 bez pokrycia (białoruski, bengalski, chiński (tradycyjny), chorwacki, estoński, hebrajski, japoński, khmerski, koreański, litewski, malajski, mongolski, tajski) cicho fallbackują na Edge TTS w czasie syntezy, więc synteza nigdy nie zawiedzie twardo na brakującym głosie.
• Rozwiązywanie płci — gdy wybierzesz Female, silnik najpierw próbuje głos żeński dla tego języka; jeśli istnieje tylko głos męski, używa go zamiast (i odwrotnie). Logowane na poziomie INFO.
• Brama pre-flight — przed uruchomieniem Voice strona sprawdza, czy głos Piper per-język jest na dysku. Jeśli brakuje, otrzymujesz modal z przyciskiem Open Settings, który prowadzi cię prosto do biblioteki głosów, więc możesz pobrać go bez utraty kolejki.

Specyfika Gemini TTS

Gemini TTS używa gemini-2.5-flash-preview-tts przez Developer API. Kilka rzeczy do wiedzenia:

• Wybór głosu jest dziś według płci — Female mapuje na Kore, Male na Puck. Oba to wyraźne, neutralne głosy, które działają w różnych językach, nie brzmiąc zbyt charakterystycznie.
• Limit długości wyjścia — każde wywołanie API Gemini zwraca najwyżej ~30 s mowy. Aplikacja dzieli tekst wejściowy poniżej _GEMINI_TTS_MAX_BYTES (~2000 bajtów ≈ 30 s) na granicach zdań, potem łączy fragmenty przez FFmpeg. Nie napotkasz obcięcia na normalnym tekście napisów.
• Format audio — Gemini emituje surowe PCM przy 24 kHz mono s16le; aplikacja transkoduje per-fragment do MP3 (lub WAV, jeśli wybrałeś), aby końcowy plik pasował do wybranego formatu wyjścia.
• Vertex AI nie jest jeszcze obsługiwane dla TTS — nawet jeśli twoja zakładka LLM jest skonfigurowana dla Vertex, Gemini TTS nadal potrzebuje klucza Developer API. Aplikacja podnosi AUTH_ERROR z góry, jeśli brakuje.

Modele ElevenLabs

Trzy modele eksponowane:

Model	Latencja	Jakość	Użyj do
eleven_multilingual_v2 (domyślnie)	Średnia	Wysoka	Ogólne TTS
eleven_v3	Średnia	Najwyższa	Studio / produkcja
eleven_flash_v2_5	Niska	Dobra	Czasu rzeczywistego / tryb Live

Skonfiguruj w Settings → Voice → ElevenLabs model.

Wskazówki

Re-generuj

Kliknij prawym wiersz → Re-generate, aby zamienić płeć głosu / metodę TTS / format bez ponownego uruchamiania tłumaczenia.

Sprawdzenia pre-flight

Strona waliduje klucz ElevenLabs API (gdy wybrany) i dostępność FFmpeg przed startem. Zobaczysz przyjazny dialog, jeśli czegoś brakuje.

Stop jest atomowy

Naciśnij Stop podczas syntezy, a nie otrzymasz pół-zapisanego MP3 w katalogu wyjściowym — plik jest najpierw zapisywany w lokalizacji tymczasowej, a następnie przenoszony na miejsce tylko po sukcesie.

Skróty

Skrót	Akcja
Ctrl+Enter	Generuj
Ctrl+O	Przeglądaj
Ctrl+F	Skupienie wyszukiwania historii