# Jak działa zamiana tekstu na mowę? Od pisowni do dźwięku URL: https://heartheweb.com/pl/journal/jak-dziala-zamiana-tekstu-na-mowe Type: blog Locale: pl Published: 2026-10-29 Updated: 2026-10-30 --- > Prosty przewodnik po tym, jak działa zamiana tekstu na mowę: normalizacja, wymowa, prozodia i wokoder oraz to, co każdy etap oznacza dla sposobu słuchania. Jak działa zamiana tekstu na mowę? W trzech krokach. Najpierw program oczyszcza tekst i ustala, jak wymówić każde słowo. Potem model neuronowy przewiduje rytm, wysokość głosu i tempo zdania, zapisane jako spektrogram. Na końcu wokoder zamienia ten spektrogram w prawdziwy przebieg fali dźwiękowej, który słyszysz. Cały łańcuch działa w kilka sekund dla artykułu na 1000 słów, dlatego wystarczy wkleić link i nacisnąć odtwarzanie. ## Co naprawdę dzieje się między stroną a uchem? Wyobraź sobie sztafetę z czterema biegaczami. Tekst wchodzi do środka. Znormalizowany tekst trafia do etapu wymowy. Wymowa przechodzi do etapu prozodii. Prozodia przekazuje plan generatorowi fali. Na wyjściu pojawia się dźwięk. Każdy nowoczesny silnik, od głosu w menu ułatwień dostępu w telefonie po lektorów w aplikacjach do czytania, idzie jakąś wersją tej sztafety. Niektóre nowsze systemy łączą dwa lub trzy etapy w jedną sieć, ale zadania nadal istnieją. Wykonuje je po prostu jeden model. `WEJŚCIE → "Dr. Voss paid $4.50 on 5/21." ETAP 1 → "Doktor Voss zapłacił cztery dolary pięćdziesiąt centów dwudziestego pierwszego maja." ETAP 2 → /ˈdɑːktɚ vɔs .../ ETAP 3 → wysokość, czas trwania, energia dla każdego fonemu ETAP 4 → przebieg fali, 22 050 do 48 000 próbek na sekundę`To cała sztuczka. Reszta tekstu opisuje, co robi każdy z biegaczy, gdzie każdy się potyka i co słychać, kiedy to się dzieje. ## Dlaczego pierwszy krok, normalizacja tekstu, ma tak duże znaczenie? Bo tekst pisany nie jest tekstem gotowym do czytania na głos. Strona jest pełna liczb, dat, skrótów, symboli walut, adresów URL, znaczników przypisów i emoji. Żadne z nich nie ma oczywistej wymowy. Normalizacja je rozwija. „5/21/24” staje się „dwudziestego pierwszego maja dwa tysiące dwudziestego czwartego”. „$4.50” staje się „cztery dolary pięćdziesiąt centów”. Skrót „St.” czytany jest jako „Street” albo „Saint”, zależnie od tego, co stoi obok. Starsze silniki robiły to ręcznie pisanymi regułami. Nowsze łączą reguły z małym wyuczonym modelem do przypadków niejednoznacznych. Tu artykuły psują się w sposób, który słychać od razu. Nazwa produktu „iPhone 15 Pro Max” odczytana jako „piętnaście” albo „jeden pięć” zmienia sens zdania. Przypis w rodzaju „[12]” przeczytany na głos w środku akapitu rozbija myśl. Dobre narzędzia do zamiany artykułu na dźwięk usuwają znaczniki przypisów, pomijają tekst nawigacji i decydują, co zrobić z tabelami, zanim głos w ogóle się odezwie. W długim tekście różnicę słychać w pierwszej minucie. Jeśli lektor potknie się na liczbie, zawiódł front end, a nie głos. ![Ekran oscyloskopu pokazujący gładki przebieg fali mowy](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/heartheweb/2026-10/cddd3b-wave.webp) ## Skąd system wie, jak wymówić każde słowo? Angielska pisownia słabo prowadzi do dźwięku. „Though”, „through”, „tough” i „thought” mają prawie te same litery, a prawie żadnego wspólnego dźwięku. Dlatego silnik potrzebuje etapu wymowy, zwykle nazywanego konwersją grafem-fonem, czyli G2P. Fonem to najmniejsza jednostka dźwięku, która odróżnia słowa. W języku angielskim jest ich około 40. Krok G2P mapuje litery na fonemy na dwa sposoby. Słownik wymowy obsługuje częste słowa i znane wyjątki. Wyuczony model zgaduje resztę, na przykład nazwisko, którego wcześniej nie widział. Potem zaczyna się trudniejsza część, czyli homografy. „Read” w zdaniu „I read it yesterday” i w zdaniu „I read every morning” ma tę samą pisownię i inne brzmienie. „Bass” jako ryba i „bass” jako instrument też. Model musi spojrzeć na zdanie wokół słowa, dlatego nowoczesne silniki używają sieci uwzględniających kontekst, a nie prostych wyszukiwań. Tu nadal zawodzi: - nazwy własne, zwłaszcza nieangielskie, w tekście po angielsku, - żargon techniczny i akronimy, gdzie „SQL” może być „sequel” albo „S-Q-L”, - nazwy marek, które celowo łamią reguły pisowni. Większość silników pozwala dodać własną wymowę. Niewielu czytelników z tego korzysta. Jeśli jedno słowo wciąż myli lektora, warto znaleźć to ustawienie. ## Skąd biorą się rytm i intonacja? To etap, który odróżnia płaski głos od takiego, którego da się słuchać przez czterdzieści minut. Nazywa się prozodia: akcent, tempo, pauzy i ruch wysokości głosu w obrębie zdania. Ludzie robią to bez zastanowienia. Podnosimy głos na końcu pytania, zwalniamy przed przecinkiem, mocniej akcentujemy słowo, które niesie sens. Model TTS musi przewidzieć to wszystko z samego tekstu. Dla każdego fonemu szacuje trzy liczby: jak długo trwa, na jakiej wysokości się znajduje i ile energii niesie. Robi to, patrząc na sąsiednie słowa, interpunkcję i pozycję dźwięku w sylabie, słowie i frazie. Interpunkcja to najsilniejszy sygnał, jaki dostaje model. Przecinek daje krótką pauzę, kropka dłuższą, a podział na akapity jeszcze dłuższą. Dlatego źle sformatowany artykuł, bez podziałów na akapity albo ze ścianą zagnieżdżonych cytatów, brzmi pospiesznie, nawet przy znakomitym głosie. Oto liczba warta zapamiętania. Typowy lektor mówi około 150 słów na minutę. Esej na 3000 słów to więc około 20 minut nagrania. Większość aplikacji pozwala przyspieszyć odtwarzanie do 1,5x albo 2x, co zamienia ten sam esej w 13 albo 10 minut. To jakość prozodii decyduje, czy słuchanie przy 1,5x pozostaje wygodne, czy rozmywa się w papkę. ## Czym jest wokoder i po co go w ogóle potrzeba? Po zaplanowaniu prozodii model ma plan, ale nie ma dźwięku. W większości neuronowych systemów plan to mel-spektrogram: obraz tego, jak energia rozkłada się po częstotliwościach w czasie, zwykle około 80 klatek na sekundę. Spektrogram to nie dźwięk. Odrzuca drobne szczegóły fazy, które sprawiają, że coś jest falą. Drugi model, wokoder, musi odtworzyć przebieg pasujący do tego obrazu. Oznacza to wygenerowanie dziesiątek tysięcy próbek dźwięku na sekundę, z których każda opisuje ciśnienie powietrza w danej chwili. [WaveNet](https://deepmind.google/discover/blog/wavenet-a-generative-model-for-raw-audio/), opublikowany przez DeepMind w 2016 roku, sprawił, że neuronowe wokodowanie zyskało rozgłos. Generował surowy dźwięk próbka po próbce i brzmiał znacznie naturalniej niż wszystko, co było wcześniej. Był też wolny. Późniejsze wokodery, takie jak HiFi-GAN, generują dźwięk równolegle i działają wielokrotnie szybciej niż czas rzeczywisty, a to umożliwia natychmiastowe odtwarzanie na telefonie. Niektóre systemy pomijają środkowy krok. VITS, opisany w [artykule z 2021 roku](https://arxiv.org/abs/2106.06103), uczy jedną sieć przejścia od fonemów wprost do przebiegu fali. Mniej przekazań oznacza mniej miejsc, w których błędy mogą się kumulować. ## Jak z zabawek mówiących z lat 80. doszliśmy do dzisiejszych głosów? Synteza mowy nie zaczęła się od sieci neuronowych. Przeszła przez trzy epoki, a w starszych czytnikach ekranu wciąż słychać pozostałości dwóch pierwszych. ![Zabawka mówiąca z lat 80. i płytka układu syntezatora mowy na biurku](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/heartheweb/2026-10/6ead20-vintage.webp) **Synteza formantowa i regułowa.** Inżynierowie modelowali trakt głosowy filtrami i ręcznie dostrajali parametry. Głos był zrozumiały, ale wyraźnie mechaniczny. Tak brzmiały zabawki mówiące i pierwsza generacja czytników ekranu. Wielu niewidomych użytkowników wciąż trzyma taki głos na telefonie przy dużym tempie, bo jest szybki, przewidywalny i nie zmienia się przy każdej aktualizacji. **Synteza łączona z jednostek.** Zamiast modelować głos, nagrywano lektora przez dziesiątki godzin, cięto nagrania na małe jednostki i w czasie działania składano z nich właściwe fragmenty. Brzmiało to dużo bardziej ludzko, ale z widocznymi szwami. Na nietypowych słowach słychać było złączenia, a głos nie mógł zmienić stylu bez nowej sesji nagraniowej. **Synteza neuronowa.** Dzisiejsze podejście. Model uczy się całego odwzorowania z dużego zbioru nagrań i generuje dźwięk zamiast go składać. Styl, tempo i emocje stają się sterowalne. Klonowanie głosu na podstawie krótkiej próbki stało się możliwe, a szwy w większości zniknęły. Jedno zastrzeżenie. Neuronowe głosy nie są doskonałe. Potrafią zmyślić słowo, zgubić sylabę albo spłaszczyć zdanie, które wymagało akcentu. Błędy są rzadsze i dziwniejsze niż dawne, ale istnieją. Przy długich dokumentach ważniejszy jest głos, który nigdy się nie potyka, niż ładny głos, który co pięćdziesiąte zdanie zawodzi. ## Które narzędzia TTS pokazują te etapy w praktyce? Różne produkty stawiają na różne elementy sztafety. Kilka wartych poznania, z uczciwym opisem każdego z nich. Speechify stawia na dopracowaną aplikację i dużą bibliotekę głosów. Jest mocny na telefonie i pozwala importować treści z wielu źródeł. Jeśli zależy ci na najszerszym zestawie integracji, zacznij tutaj. NaturalReader to prostsza, starsza nazwa w tej dziedzinie. Jest stabilny przy dokumentach i plikach PDF, więc sprawdza się, gdy wejściem są pliki, a nie artykuły z sieci. ElevenLabs stoi po drugiej stronie. To przede wszystkim platforma do generowania głosu, z mocną prozodią i klonowaniem. Zbudowano ją do tworzenia nagrań, które się publikuje, a nie do przerabiania kolejki czytania. Voice Dream Reader to nazwa, którą wielu czytelników słabowidzących zna już dobrze. Pozwala zmienić silnik głosu, dostroić wymowę i ustawić tempo w drobnych krokach, co sprawia, że opisany wyżej potok da się realnie regulować. Nie ma sensu szukać „najlepszego głosu”. Różni je front end: sposób czyszczenia artykułu, obsługa tabel, radzenie sobie z pięciotysięcznym tekstem z zagnieżdżonymi cytatami. Tam praktycznie rozstrzyga się, czy czytanie się uda, czy po cichu zawiedzie. ![Osoba z jednym słuchawkowym na peronie kolejowym o zmierzchu](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/heartheweb/2026-10/6c18a0-commute.webp) ## Co to zmienia w tym, jak słuchasz? Znajomość sztafety daje trzy praktyczne ruchy. - **Oczyść wejście.** Usuń reklamy, banery cookies i szum z przypisów, zanim wyślesz artykuł do zamiany na dźwięk. Tryb czytania pomaga. Front end naprawi tylko tyle, ile potrafi. - **Dopasuj tempo do prozodii.** Jeśli głos dobrze brzmi przy 1,0x, ale psuje się przy 1,5x, słabym punktem jest model czasu trwania. Wypróbuj inny głos, zanim zrezygnujesz z przyspieszania. - **Napraw powtarzające się błędy.** Jeśli nazwisko albo akronim ciągle idzie źle, dodaj wymowę raz, zamiast znosić to miesiącami. Testuj też na najgorszym artykule, nie na najlepszym. Czysty wpis na 800 słów niczego nie dowodzi. Gęsty tekst na 4000 słów z liczbami, cytatami i tabelą to prawdziwy egzamin. Przed następną podróżą dodaj do kolejki jeden długi i jeden krótki tekst. Posłuchaj pierwszych dwóch minut każdego w normalnym tempie, a potem przy 1,5x. Usłyszysz etapy, o których była mowa, i będziesz wiedzieć, który element upuścił pałeczkę. ## FAQ ### Jak w prostych słowach działa zamiana tekstu na mowę? Program oczyszcza tekst, ustala wymowę każdego słowa, przewiduje rytm i wysokość głosu, a potem generuje z tego planu falę dźwiękową. W nowoczesnych systemach ostatni krok wykonuje wokoder neuronowy. ### Czym różni się dawna synteza mowy od neuronowej? Starsze systemy używały ręcznie strojonych reguł albo sklejały nagrane fragmenty, co zostawiało słyszalne szwy. Systemy neuronowe uczą się z wielu godzin mowy i generują dźwięk bezpośrednio, dlatego tempo i intonacja brzmią znacznie mniej mechanicznie. ### Dlaczego zamiana tekstu na mowę czasem źle wymawia słowa? Angielska pisownia bywa niespójna, a nazwiska, akronimy i homografy, jak read czy bass, zależą od kontekstu. Gdy etap wymowy zgaduje źle, lektor mówi źle. Zwykle pomaga własne ustawienie wymowy. ### Jak szybko czyta głos w zamianie tekstu na mowę? Typowy lektor mówi około 150 słów na minutę przy normalnym tempie. Przy 1,5x to około 225 słów, więc artykuł na 3000 słów skraca się z około 20 do około 13 minut. ### Czym jest wokoder w zamianie tekstu na mowę? Wokoder to model, który zamienia spektrogram, czyli mapę częstotliwości w czasie, w prawdziwy przebieg fali dźwiękowej. Znanymi przykładami są HiFi-GAN i WaveNet. ### Czy zamiana tekstu na mowę równie dobrze czyta PDF-y i artykuły z sieci? Nie zawsze. Artykuły z sieci zawierają nawigację i reklamy, a PDF-y kolumny, nagłówki i przypisy. Narzędzia różnią się tym, jak dobrze usuwają ten szum, zanim głos zacznie czytać, i to czyszczenie często waży więcej niż sam głos. ### Czy zamiana tekstu na mowę pomaga osobom słabowidzącym? Tak. Daje dostęp do treści pisanych bez patrzenia w ekran, a wielu czytelników wybiera szybkie, proste głosy, bo są przewidywalne i łatwe do śledzenia.