Voicebot na ElevenLabs po polsku: co daje platforma, a co musisz dołożyć sam

ElevenAgents, czyli cztery ogniwa rozmowy w jednym panelu

W dokumentacji ElevenLabs platforma nazywa się dziś ElevenAgents. Wcześniej występowała jako Agents Platform i ElevenLabs Agents, a na początku jako Conversational AI, więc w starszych poradnikach spotkasz każdą z tych nazw. Ten serwis nie jest oficjalną stroną ElevenLabs. Opieramy się na publicznej dokumentacji i cenniku, które sprawdziliśmy 29 września 2026 r.

Agent głosowy składa się tu z czterech elementów. Dostrojony model rozpoznawania mowy zamienia głos na tekst. Model językowy, wybrany z listy albo własny, podłączony przez adres serwera, układa odpowiedź. Synteza mowy czyta ją na głos. Czwarty element pilnuje tempa rozmowy: własny model wykrywania końca wypowiedzi, który ocenia, kiedy klient skończył mówić.

Cały obieg od słuchawki do odpowiedzi opisuje strona o tym, jak działa asystent głosowy, więc tu tylko to, co dotyczy ElevenLabs. Tempo, w jakim agent przejmuje głos, ustawiasz jako szybkie, normalne albo cierpliwe, a dokumentacja radzi tryb cierpliwy przy zbieraniu numerów telefonu i adresów e-mail. Czas ciszy, po którym agent sam zabiera głos, mieści się w zakresie od 1 do 30 sekund.

Jak wypada polski i co sprawdzić, zanim uwierzysz w listę języków

Według pomocy ElevenLabs agenci mogą używać wszystkich języków obsługiwanych przez modele syntezy do rozmów w czasie rzeczywistym, a polski jest na ich listach. Rozpoznawanie mowy opisuje osobna dokumentacja modelu Scribe: polski trafia tam do kategorii z najniższym odsetkiem błędów, do 5% błędnie rozpoznanych słów. To pomiar samego producenta. W opisie architektury agentów mowa o dostrojonym modelu rozpoznawania, bez zapewnienia, że to ten sam Scribe, więc traktuj wynik jako wskazówkę, nie gwarancję.

Lista języków nie mówi, jak polski zabrzmi w twojej firmie. To sprawdzisz sam.

Weź dziesięć zdań z prawdziwych rozmów: godzinę, kwotę, nazwisko z końcówką „-ski”, nazwę ulicy, numer rejestracyjny, PESEL podyktowany cyframi. Powiedz je agentowi i sprawdź, co zrozumiał, a potem jak sam je wymawia. Przy modelu Flash v2.5 dokumentacja ostrzega, że liczby, daty i waluty nie są domyślnie normalizowane, i zaleca, żeby tekst rozpisywał model językowy, zanim trafi do syntezy. Jak to wygląda po polsku, opisuje normalizacja tekstu. Wymowę trudnych nazw poprawisz słownikiem wymowy, ale zapis fonetyczny działa tylko z wybranymi modelami głosu, a przy pozostałych zostaje zamiana zapisu na taki, który daje poprawną wymowę.

Głos wybierz spośród tych, które są wytrenowane pod polski. Posłuchaj go na polskim zdaniu z kwotą i nazwiskiem, nie na angielskiej próbce z opisu.

Co daje platforma, a co zostaje po twojej stronie

Technikę rozmowy bierze na siebie platforma. Za to, co agent mówi klientom, odpowiadasz ty.

Wiersz o systemach firmy rozstrzyga o całym projekcie, więc sprawdź go pierwszy.

Telefon: numer, łącze SIP i przekierowanie

Rozmowa w przeglądarce działa od razu, przez osadzony widżet, bez numeru. Z telefonem jest więcej roboty. ElevenLabs pozwala podłączyć numer przez łącze SIP, do którego podpinasz centralę albo operatora, albo przez numer kupiony w Twilio. Po twojej stronie musi być centrala lub operator z obsługą SIP i kodekiem G.711 albo G.722; szczegóły opisuje strona o telefonii SIP. Sama platforma nie dolicza opłaty za telefonię, a połączenia rozliczasz z operatorem według jego cennika.

Jeśli numer firmy masz u polskiego operatora, zacznij od pytania, czy do tego numeru dostaniesz łącze SIP i na jakich warunkach. Nie zakładaj, że tak. Gdy nie, zostaje przekierowanie z komórki albo centrali na numer, który obsługuje agenta. Zanim wybierzesz Twilio, sprawdź u niego, czy ma numer w Polsce i jakiego rodzaju.

Systemy firmy i przekazanie do człowieka

Agent nie wie, które terminy są wolne ani co leży w magazynie. Musi zapytać twój system, a platforma daje do tego narzędzia, nie gotowy most. Narzędzie webowe wywołuje wskazany przez ciebie adres API i samo dobiera parametry zapytania z rozmowy. Są też gotowe połączenia z kilkoma usługami, między innymi z Google Calendar, Cal.com, Calendly, HubSpot i Salesforce.

Jeśli program, w którym prowadzisz zapisy albo zamówienia, nie ma API, agent go nie zobaczy i żadna platforma tego nie zmieni. Sprawdź to przed założeniem konta. Jak to wygląda przy grafikach i systemach rezerwacji, opisuje integracja z kalendarzem. Po rozmowie ElevenLabs może też wysłać na twój adres transkrypcję z wynikami analizy, podpisaną kluczem HMAC.

Przekazanie do człowieka to narzędzie, które przenosi rozmowę na wskazany numer telefonu albo adres SIP. Działa tylko w rozmowach telefonicznych, nie w widżecie. Komunikat dla konsultanta, który odbiera, na przykład że klient pyta o fakturę z września, da się odczytać przy przekazaniu przez Twilio, a przy SIP nie. Reguły ustal przed startem, także to, co ma się stać, gdy nikt nie odbierze. Pomoże lista sytuacji, w których agent oddaje rozmowę.

RODO, miejsce danych i informacja, że to AI

ElevenLabs publikuje umowę powierzenia przetwarzania danych (Data Processing Addendum) na swojej stronie, a listę podprocesorów w centrum zaufania. Przeczytaj ją, zanim zbudujesz cokolwiek na prawdziwych rozmowach, i pokaż osobie odpowiedzialnej za ochronę danych albo prawnikowi. Umowa powierzenia z art. 28 RODO jest wymagana, a pytania do przejścia zbiera lista kontrolna RODO dla voicebota.

Domyślnie dane leżą w USA. Przechowywanie w UE jest funkcją planu Enterprise i dotyczy miejsca zapisu: przetwarzanie bywa częściowo poza wybranym regionem, na przykład u podprocesorów. Numery Twilio przechodzą domyślnie przez region amerykański, nawet europejskie, więc dla danych w UE trzeba ustawić routing regionalny.

Nagrania i transkrypcje zapisują się domyślnie i są trzymane przez dwa lata. Ustaw okres, który uzasadnisz celem, a nie ten, który wpisano fabrycznie. Możesz wyłączyć samo nagrywanie dźwięku, a w planie Enterprise także włączyć tryb bez zapisu, który nie zostawia nagrań ani transkryptów z danymi osobowymi, ale utrudnia szukanie przyczyn błędów.

Od 2 sierpnia 2026 r. art. 50 AI Act wymaga, żeby rozmówca wiedział, że mówi z systemem AI, chyba że wynika to jasno z okoliczności. Przepis nakłada ten obowiązek na dostawców systemów AI, a kto nim jest przy agencie złożonym na cudzej platformie, oceni prawnik. Powitanie słyszą jednak twoi klienci, więc jego treść ustawiasz sam, w pierwszej wiadomości agenta.

Jak liczą się minuty i co jeszcze wchodzi do rachunku

Założenie agenta nic nie kosztuje. Płacisz za minuty rozmowy liczone od połączenia do rozłączenia albo zamknięcia okna, więc naliczony czas bywa dłuższy niż sama rozmowa. Ciszę dłuższą niż 10 sekund platforma liczy ze zniżką 95%.

Plan z cennika daje pulę minut i limit rozmów prowadzonych naraz. Na planach z cennika z 29 września 2026 r. limit wynosi od 4 do 40 takich rozmów, a minuta ponad pulę kosztuje 0,08 USD. Ceny są w dolarach i bez podatków. Model językowy rozlicza się osobno, według zużycia, a telefonia według cennika operatora. Aktualne stawki sprawdź w zakładce Agents cennika ElevenLabs.

Wybieraj plan po limicie rozmów naraz, nie po samej cenie miesięcznej. Limit dotyczy szczytu, nie średniej: przychodnia o 8:00 potrzebuje innego niż warsztat, do którego dzwoni kilka osób dziennie. Ponad limit możesz włączyć kolejkę, w której dzwoniący czeka na wolne miejsce, a czas w kolejce nie jest naliczany, albo tryb burst, w którym rozmowy ponad limit kosztują dwa razy więcej. Bez żadnego z nich nadmiarowe połączenia są odrzucane.

Domyślny czas jednej rozmowy to 10 minut, a zmienisz go w zakresie od 1 do 120 minut. Przy prostych sprawach zostaw krótki: agent, który krąży w kółko, zjada minuty i nie pomaga klientowi.

Przykład z wymyślonymi liczbami: 20 rozmów dziennie po 3 minuty w 22 dni robocze daje 1 320 minut miesięcznie. Pomnóż to przez aktualną stawkę, dodaj model językowy i operatora, a dostaniesz koszt samych rozmów. Rachunek całego projektu, z pracą nad instrukcją i integracjami, opisuje poradnik o koszcie asystenta głosowego.

Demo na tej stronie i decyzja, czy budować samemu

Pięciu agentów z demo na tej stronie, czyli Tomek, Ewa, Zofia, Ola i Kuba, działa na ElevenLabs. Każdy ma własną instrukcję, głos z biblioteki i powitanie z informacją, że to asystent AI, a rozmowa toczy się w przeglądarce, przez mikrofon i osadzony widżet. Dane w rozmowach są przykładowe. Posłuchaj, jak czytają godziny i nazwy własne, zanim ocenisz polski.

Demo pokazuje samą rozmowę. Nie pokaże telefonii, integracji z twoim kalendarzem ani RODO, a właśnie te trzy obszary zostają po twojej stronie.

Buduj sam, gdy zakres jest prosty, na przykład godziny otwarcia i przyjęcie zgłoszenia, a ktoś w firmie ma czas prowadzić agenta co tydzień. Zleć, gdy potrzebna jest integracja z programem, numer na twojej centrali albo stały termin. Infinity Tech, wydawca tego serwisu, buduje agentów głosowych na frameworku OpenClaw, a głos opiera na ElevenLabs; ofertę uruchomienia agenta głosowego opisuje na własnej stronie. To nie jedyna droga i nie zawsze najtańsza.