Dlaczego zbudowaliśmy własny model TTS zamiast korzystać z wielojęzycznych platform

Problem z wielojęzycznymi modelami TTS

Większość popularnych platform TTS chwali się obsługą 30, 40, a nawet 50 języków. Brzmi imponująco — dopóki nie przyjrzysz się, jak ten podział wygląda w praktyce.

Jeśli model jest trenowany na danych z kilkudziesięciu języków, to ile danych treningowych przypada na polski? Szacunki mówią o około 2% całości. Reszta to głównie angielski, hiszpański, chiński i inne "duże" języki.

Efekt? Model, który po angielsku brzmi świetnie, po polsku:

• Źle akcentuje — przenosi angielskie wzorce akcentowania na polskie słowa
• Nie odmienia — "w dwa tysiące dziewiętnaście roku" zamiast prawidłowej formy
• Czyta skróty po angielsku — "NATO" z angielską fonetyką, "dr" jako "dee-ar"
• Nie rozumie polskiej interpunkcji — "14.II.2019 r." czytane dosłownie

Nasze podejście: od zera na polskich danych

Zamiast dokładać polski jako kolejny język do wielojęzycznego modelu, podjęliśmy inną decyzję — wytrenowaliśmy model od podstaw na polskich nagraniach lektora.

To oznacza, że 100% danych treningowych to polski. Nie 2%. Nie 5%. Sto procent.

2800+ reguł normalizacji

Sam model to nie wszystko. Zanim tekst trafi do syntezy, przechodzi przez pipeline normalizacji — ponad 2800 reguł zaprojektowanych specjalnie dla polskiego:

• Daty w formacie polskim: 14.II.2019 r. → "czternastego lutego dwa tysiące dziewiętnastego roku"
• Skróty akademickie: prof. dr hab. → "profesor doktor habilitowany"
• Liczebniki z odmianą: >4 700 → "ponad cztery tysiące siedemset"
• Akronimy: UNESCO czytane jako słowo, AI literowane
• Jednostki, waluty, numery telefonów, kody pocztowe

650+ mapowań skrótów

Ponad 650 skrótów międzynarodowych zmapowanych na polską fonetykę. Nie tylko polskie "dr", "prof.", "ul." — ale też "CEO", "PhD", "ASAP" i setki innych, które pojawiają się w polskich tekstach.

Dlaczego to ma znaczenie

Audiobook to nie SMS. Słuchacz spędza z nim godziny. Każdy źle odmieniony liczebnik, każdy skrót przeczytany z angielską fonetyką, każda nienaturalna pauza — to moment, w którym słuchacz "wypada" z narracji.

Wielojęzyczne modele często nadmiernie przetwarzają audio — usuwają oddechy, mikropauzy, drobne niedoskonałości. Efekt to "uncanny valley" — głos brzmi technicznie poprawnie, ale nienaturalnie.

My trenujemy na nagraniach prawdziwych lektorów — z ich naturalnymi cechami. Oddech między zdaniami? To nie błąd. To realizm.

Podsumowanie

Jeśli potrzebujesz TTS do polskiego tekstu — audiobooka, podcastu, materiału edukacyjnego — sprawdź, na czym naprawdę jest trenowany model, którego używasz. "Obsługuje polski" i "jest zbudowany dla polskiego" to dwie fundamentalnie różne rzeczy.

ZróbEbooka to drugie podejście. Model wytrenowany od zera. 2800+ reguł normalizacji. 650+ mapowań skrótów. Zero kompromisów na jakości polskiego.