Najnowszym i najbardziej ekspresyjnym modelem ElevenLabs jest Eleven v4 (premiera 28 września 2026 roku), który mówi w ponad 90 językach, w tym po polsku. Obok niego działają: v4 Turbo do rozmów na żywo (ok. 100 ms), Eleven v3 i v3 Conversational z poprzedniej generacji, Multilingual v2 (29 języków, najstabilniejszy w długich tekstach) oraz Flash v2.5 (ok. 75 ms, najtańszy w API). W aplikacji każdy model zużywa 1 kredyt na znak. Przez API v4, v3 i Multilingual v2 kosztują 0,08 USD za 1 000 znaków, a v4 Turbo, v3 Conversational i Flash v2.5 kosztują 0,04 USD.
Modele ElevenLabs — porównanie w skrócie
| Model | Status | Najlepszy do | Opóźnienie | Języki | Limit znaków na żądanie | API, USD / 1 000 zn. |
|---|---|---|---|---|---|---|
| Eleven v4 | Najnowszy (IX 2026) | Audiobooki, reklamy, postacie, dubbing | Standardowe | 90+ | 10 000 | 0,08 |
| Eleven v4 Turbo | Najnowszy (IX 2026) | Agenci głosowi z emocjami | ok. 100 ms | 90+ | — | 0,04 |
| Eleven v3 | Poprzednia generacja | Dialogi i dramatyczne interpretacje | Standardowe | 70+ | 5 000 | 0,08 |
| Eleven v3 Conversational | Poprzednia generacja | Rozmowy na żywo | ok. 280 ms | 70+ | — | 0,04 |
| Multilingual v2 | Aktualny | Długie, przewidywalne nagrania lektorskie | Standardowe | 29 | 10 000 | 0,08 |
| Flash v2.5 | Aktualny | Boty telefoniczne, duże wolumeny w API | ok. 75 ms | 32 | 40 000 | 0,04 |
| Turbo v2.5 | Wycofywany | Zastąpiony przez Flash v2.5 | — | 32 | — | — |
Model wybierasz w ustawieniach generowania w zakładce Text to Speech, przed wygenerowaniem nagrania. Jeśli dopiero zaczynasz, przeczytaj najpierw, czym jest ElevenLabs.
Eleven v4 — najnowszy i najbardziej ekspresyjny
Eleven v4 powstał na nowej architekturze i według producenta jest jego najbardziej emocjonalnym modelem. ElevenLabs podaje, że we wrześniu 2026 roku zajął pierwsze miejsce w rankingu głosów Artificial Analysis, a w ślepych testach ok. 75% słuchaczy wybierało go zamiast konkurencyjnych modeli. To deklaracje producenta, nie nasz test.
- Sterowanie interpretacją słowami. Oprócz tagów w nawiasach (
[laughs],[whispers]) można opisać, jak zagrać kwestię, np. „powiedziane ze złością, z francuskim akcentem”. - Lepsze klonowanie. Instant Voice Clone wystarcza 10 sekund nagrania, a głos zostaje spójny w długich tekstach i dialogach. v4 obsługuje też Professional Voice Clones.
- Jeden głos, wiele języków. Głos nagrany w jednym języku mówi w pozostałych z akcentem rodzimego użytkownika, zachowując barwę.
- Wymowa. Lepiej działa zapis fonetyczny IPA, przydatny przy nazwiskach i nazwach własnych.
- Dłuższe teksty. 10 000 znaków na jedno żądanie, czyli ok. 10 minut mowy, dwa razy więcej niż w v3.
Wybierz, gdy: nagrywasz audiobook, reklamę, postacie do gry lub animacji, dubbing. Unikaj, gdy: budujesz bota odpowiadającego na żywo (wtedy v4 Turbo albo Flash v2.5).
Eleven v4 Turbo — emocje w czasie rzeczywistym
v4 Turbo to ta sama technologia dostrojona pod szybkość: mediana czasu generowania ok. 100 ms, a do pierwszego słyszalnego dźwięku ok. 150 ms. Do tej pory trzeba było wybierać między szybkim, ale płaskim agentem a ekspresyjnym, ale wolnym. v4 Turbo łączy jedno z drugim i jest zoptymalizowany pod platformę ElevenAgents. Przez API kosztuje tyle co Flash v2.5. Jak zbudować takiego asystenta, opisujemy w poradniku o agentach głosowych AI.
Eleven v3 i v3 Conversational — poprzednia generacja
Eleven v3 wprowadził w 2025 roku audio tags i tryb dialogu wielu postaci. Dokumentacja nazywa go dziś modelem poprzedniej generacji, ale dalej jest dostępny w aplikacji i w API, w tej samej cenie co v4. Obsługuje ponad 70 języków, a jedno żądanie mieści 5 000 znaków. Wersja Conversational ma ok. 280 ms opóźnienia. Historię i możliwości modelu opisujemy w przewodniku po Eleven v3.
Kiedy jeszcze sięgać po v3? Gdy masz gotowe projekty i skrypty z tagami dopracowane pod v3 i nie chcesz zmieniać brzmienia w połowie produkcji. Do nowych projektów producent poleca v4.

Multilingual v2 — najbardziej przewidywalny
Multilingual v2 to koń roboczy platformy. Ma mniej ekspresji niż v3 i v4, ale producent opisuje go jako najstabilniejszy przy długich generacjach, a w dokumentacji poleca go obok v4 do audiobooków i narracji. Obsługuje 29 języków, w tym polski, i mieści 10 000 znaków w jednym żądaniu.
Wybierz, gdy: nagrywasz kurs, lektora do filmu albo dłuższy tekst i zależy Ci na tym, żeby każdy fragment brzmiał tak samo. Unikaj, gdy: potrzebujesz gry aktorskiej (v4) albo odpowiedzi na żywo (Flash, v4 Turbo).
Flash v2.5 — najszybszy i najtańszy w API
Flash v2.5 odpowiada w ok. 75 ms i obsługuje 32 języki. Przez API kosztuje połowę stawki Multilingual v2 i v4 (0,04 zamiast 0,08 USD za 1 000 znaków), a jedno żądanie mieści aż 40 000 znaków. Ma mniej niuansów emocjonalnych, więc sprawdza się w botach telefonicznych, IVR i przy masowym generowaniu przez API. Więcej w poradniku o Flash v2.5.
Turbo v2.5 — wycofywany
Turbo v2.5 trafił do listy modeli wycofywanych. Producent pisze, że Flash v2.5 go przewyższył, i wskazuje Flash jako zamiennik. Jeśli Twoja integracja używa eleven_turbo_v2_5, przełącz ją na eleven_flash_v2_5, który obsługuje te same języki.
Flash v2.5 vs Multilingual v2 — kiedy który?
To dalej najczęstszy dylemat. Multilingual v2 daje jakość i powtarzalność, Flash v2.5 szybkość i niższą cenę w API. Flash wybierzesz, gdy odpowiedź musi paść w ułamku sekundy. Multilingual v2, gdy nagrywasz materiał wcześniej i liczy się brzmienie.
| Kryterium | Flash v2.5 | Multilingual v2 |
|---|---|---|
| Priorytet | Szybkość, koszt w API | Naturalność, powtarzalność |
| Opóźnienie | ok. 75 ms | Standardowe |
| Koszt w aplikacji | 1 kredyt / znak | 1 kredyt / znak |
| Cena w API | 0,04 USD / 1 000 zn. | 0,08 USD / 1 000 zn. |
| Języki | 32 | 29 |
| Typowe użycie | Asystent głosowy, IVR, rozmowy na żywo | Audiobook, lektor, film |
Który model ElevenLabs do języka polskiego?
Polski obsługują wszystkie aktualne modele. Producent deklaruje, że v4 wyraźniej trzyma rodzimy akcent w każdym języku, więc to pierwszy kandydat do polskich reklam, audiobooków i postaci. Model jest jednak na rynku od kilku tygodni. Przed dużą produkcją porównaj go na własnym tekście z Multilingual v2, który od lat daje najbardziej przewidywalną polską intonację. Do botów i infolinii po polsku: v4 Turbo, gdy liczy się naturalność, Flash v2.5, gdy koszt. Praktyczne wskazówki są w poradniku generator głosu AI po polsku.
Który model wybrać według zastosowania
| Zastosowanie | Pierwszy wybór | Alternatywa |
|---|---|---|
| Audiobook, narracja | Eleven v4 | Multilingual v2 |
| Reklama, dialog z emocją, postacie | Eleven v4 | Eleven v3 |
| Stabilny lektor po polsku (kurs, film) | Multilingual v2 | Eleven v4 |
| Agent głosowy, infolinia | Eleven v4 Turbo | Flash v2.5 |
| Masowe generowanie przez API | Flash v2.5 | v4 Turbo |
| Dubbing wideo | Eleven v4 | Multilingual v2 |
Koszt modeli: aplikacja kontra API
W aplikacji wybór modelu nie zmienia rachunku: synteza mowy zużywa 1 kredyt na znak niezależnie od modelu. Plan Creator (121 000 kredytów) daje ok. 2 godziny mowy zarówno w v4, jak i we Flash. Tańsze modele obniżają koszt tylko w API, gdzie płaci się dolarami za faktyczne zużycie. Kurs 3,80 zł:
| Model (API) | 1 000 znaków ≈ 1 minuta | Godzina mowy |
|---|---|---|
| Eleven v4, Eleven v3, Multilingual v2 | 0,08 USD (ok. 0,30 zł) | 4,80 USD (ok. 18 zł) |
| Eleven v4 Turbo, v3 Conversational, Flash v2.5 | 0,04 USD (ok. 0,15 zł) | 2,40 USD (ok. 9 zł) |
Progi wszystkich planów w złotówkach są w cenniku ElevenLabs. Najlepszy sposób na wybór to test: darmowe konto ElevenLabs daje 10 000 znaków, więc porównasz v4, Multilingual v2 i Flash na tym samym tekście.
FAQ — modele ElevenLabs
Eleven v4, wydany 28 września 2026 roku, razem z szybką wersją Eleven v4 Turbo (ok. 100 ms). Oba obsługują ponad 90 języków, w tym polski.
v4 to nowa architektura: według producenta bardziej emocjonalna, z lepszym klonowaniem (Instant Voice Clone z 10 sekund nagrania), sterowaniem interpretacją opisem słownym i limitem 10 000 znaków zamiast 5 000. Obsługuje ponad 90 języków, v3 ponad 70. W API oba kosztują 0,08 USD za 1 000 znaków.
Do reklam, audiobooków i postaci pierwszym kandydatem jest Eleven v4. Do długich nagrań, w których liczy się powtarzalność, Multilingual v2. Do botów i infolinii v4 Turbo albo Flash v2.5. Przed dużą produkcją warto porównać v4 i Multilingual v2 na własnym tekście.
Gdy liczy się odpowiedź na żywo (ok. 75 ms) albo koszt w API: Flash v2.5 kosztuje 0,04 USD za 1 000 znaków, Multilingual v2 0,08 USD. Multilingual v2 wybierz, gdy nagrywasz materiał wcześniej i priorytetem jest brzmienie.
W aplikacji żaden: synteza mowy kosztuje 1 kredyt na znak w każdym modelu. Różnica jest tylko w API, gdzie v4 Turbo, v3 Conversational i Flash v2.5 kosztują połowę stawki v4, v3 i Multilingual v2.
Jest na liście modeli wycofywanych. ElevenLabs wskazuje jako zamiennik Flash v2.5, który obsługuje te same języki.
To nieoficjalny serwis partnera ElevenLabs. Oficjalna strona producenta to elevenlabs.io.
