ElevenLabs Scribe po polsku: transkrypcja mowy na tekst, ceny i jak używać

ElevenLabs Scribe to model zamiany mowy na tekst (speech to text), który przepisuje nagrania audio i wideo w ponad 90 językach, w tym po polsku z błędem słów poniżej 5%. Aktualna wersja to Scribe v2 (styczeń 2026): rozpoznaje do 32 mówców, oznacza znaczniki czasu każdego słowa i eksportuje napisy SRT. Przez API godzina nagrania kosztuje 0,22 USD (ok. 0,84 zł), w aplikacji minuta zużywa 330 kredytów.

Wpis z lutego 2025 roku, gdy Scribe debiutował, przepisany w październiku 2026 roku na aktualne modele i ceny.

Wersje Scribe: v1, v2, Realtime i Medical

W praktyce wybór jest prosty: plik do przepisania to Scribe v2, mowa na żywo (np. napisy do transmisji, rozmowa z botem) to Scribe v2 Realtime. Liczba „99 języków” z wielu starszych tekstów dotyczy Scribe v1. Dla v2 producent podaje „90+”.

Jak dokładnie Scribe przepisuje polski

W dokumentacji Scribe v2 polski jest w najwyższej klasie dokładności: WER do 5%, czyli najwyżej jedno błędnie rozpoznane słowo na dwadzieścia. W tej samej grupie są m.in. angielski, niemiecki, czeski i ukraiński. Osobnej liczby dla polskiego w v2 producent nie publikuje. Dla Scribe v1 podał wynik z testu FLEURS:

To dane producenta, z czytanego tekstu w dobrych warunkach. Na nagraniu z telefonu, z gwarem i nakładającymi się głosami błędów będzie więcej. Pomaga wtedy wcześniejsze oczyszczenie dźwięku w Voice Isolatorze i lista nazw własnych (keyterms), o której niżej. Nagranie, w którym mówi się kilkoma językami, nie wymaga dzielenia: model sam wykrywa zmianę języka.

Ile kosztuje Scribe: aplikacja kontra API

Tu jest największa pułapka. Te same pieniądze dają kilkanaście razy więcej godzin transkrypcji przez API niż w aplikacji, bo w aplikacji minuta zużywa 330 kredytów ze wspólnej puli, a API rozlicza się stawką 0,22 USD za godzinę. Ceny producenta z października 2026 roku, kurs 3,80 zł:

Godziny w aplikacji zakładają, że cała miesięczna pula idzie na Scribe. Jeśli w tym samym miesiącu generujesz lektora AI, minut ubywa. Przez API dopłaca się za dodatki: keyterms 0,05 USD/h, edycję transkrypcji poleceniem 0,07 USD/h. Scribe v2 Realtime kosztuje 0,39 USD za godzinę (ok. 1,48 zł). Pełne progi wszystkich planów są w cenniku ElevenLabs w złotówkach.

Wniosek: kto przepisuje kilka nagrań w miesiącu, zmieści się w aplikacji. Kto przepisuje podcasty lub archiwum nagrań w setkach godzin, powinien użyć API nawet bez programowania, np. przez gotowe narzędzia no-code lub prosty skrypt.

Jak zrobić transkrypcję w Scribe krok po kroku

1. Zaloguj się na koncie ElevenLabs i otwórz zakładkę Speech to Text. Kliknij Transcribe files.
2. Wgraj plik audio lub wideo (do 3 GB, do 10 godzin) albo wklej link do filmu z YouTube lub TikToka.
3. Wybierz język Polish albo zostaw Detect, żeby model rozpoznał go sam.
4. Opcjonalnie włącz Tag audio events (śmiech, oklaski w nawiasach) i dodaj keyterms: nazwiska, nazwy firm, terminy branżowe.
5. Kliknij Upload files, a po przetworzeniu nazwę pliku. Kliknięcie słowa odtwarza nagranie od tego miejsca, więc poprawki robi się szybko.
6. W prawym górnym rogu wybierz Export i format: tekst, SRT lub VTT do napisów, JSON albo HTML.

Funkcje Scribe v2

Scribe v2 robi też napisy w ElevenLabs Studio. Jeśli przygotowujesz film do dubbingu na inne języki albo nagranie audiobooka, transkrypcja powstaje w tym samym miejscu.

Scribe v2 Realtime: transkrypcja na żywo

Wersja Realtime zwraca pierwsze słowa po ok. 150 ms (bez opóźnienia sieci) przez WebSocket. Przewiduje też kolejne słowo i interpunkcję, a w trakcie rozmowy przełącza się między językami. Działa w ElevenAgents i przez API, więc służy głównie do budowy agentów głosowych i napisów na żywo. Dokumentacja nie wymienia przy niej rozpoznawania mówców. Do protokołu ze spotkania z podziałem na osoby lepiej nagrać całość i przepuścić przez zwykły Scribe v2.

Scribe przez API

Endpoint POST https://api.elevenlabs.io/v1/speech-to-text przyjmuje plik albo link (source_url, także YouTube) i zwraca JSON z tekstem, słowami, znacznikami czasu i identyfikatorami mówców. Klucze, limity i SDK opisujemy w poradniku ElevenLabs API.

curl -X POST https://api.elevenlabs.io/v1/speech-to-text \
  -H "xi-api-key: TWOJ_KLUCZ" \
  -F "model_id=scribe_v2" \
  -F "language_code=pol" \
  -F "diarize=true" \
  -F "[email protected]"

Pliki dłuższe niż 8 minut Scribe dzieli wewnętrznie na maksymalnie cztery części i przetwarza równolegle, więc godzinne nagranie wraca po kilku minutach, a nie po godzinie. Wyniki dla długich plików można odbierać asynchronicznie przez webhook.

Ograniczenia i prywatność

• Dane są domyślnie przechowywane. Tryb bez zapisywania (Zero Retention Mode) jest tylko dla klientów Enterprise i tylko przez API. Nagrania wgrane w aplikacji nie są nim objęte.
• Plan Free to użytek prywatny. Licencja komercyjna zaczyna się od planu Starter.
• Działa tylko w chmurze. Wdrożenia lokalne (on-premise) są dostępne wyłącznie w ofercie Enterprise.
• Medical nie zastępuje lekarza. Producent zastrzega, że model nie interpretuje danych klinicznych i tekst musi sprawdzić specjalista.
• Nagrania słabej jakości wymagają korekty. Przesterowany dźwięk i kilka osób mówiących naraz obniżają dokładność bardziej niż sam język.

Scribe najłatwiej sprawdzić na własnym nagraniu: darmowe konto ElevenLabs wystarczy na krótki wywiad albo fragment podcastu, zanim zdecydujesz o planie lub API.

FAQ — ElevenLabs Scribe