Klonowanie głosu AI po polsku: kiedy firma może kopiować czyjś głos, a kiedy nie

Jak powstaje kopia głosu

Model syntezy mowy dostaje nagrania danej osoby i uczy się jej barwy, wysokości i sposobu mówienia. Potem czyta tym głosem dowolny tekst, także taki, którego ta osoba nigdy nie wypowiedziała. Szybka kopia powstaje z krótkiej próbki, wierniejsza z dłuższych, starannie nagranych materiałów. Ile minut potrzeba, zależy od dostawcy i podaje to on sam.

Klon przejmuje barwę głosu, ale to, jak poprawnie wymawia polskie słowa, zależy od modelu syntezy mowy po polsku, na którym działa. Jeśli model słabo zna polszczyznę, głos twojego szefa zabrzmi jak głos jego kuzyna z zagranicy. Przy klonowaniu głosu po polsku sprawdzaj więc dwie rzeczy osobno: czy to brzmi jak ta osoba i czy mówi czystą polszczyzną.

Pisemna zgoda właściciela głosu

Nagranie głosu, po którym da się rozpoznać człowieka, to dane osobowe. Klon idzie dalej. Pozwala włożyć tej osobie w usta cokolwiek. Dlatego zasada jest prosta: klonujesz wyłącznie za pisemną zgodą właściciela głosu. Także wtedy, gdy chodzi o pracownika, który „przecież się zgodził” w rozmowie na korytarzu.

W zgodzie albo umowie opisz co najmniej:

• do czego głos będzie używany: który agent, jakie kanały (telefon, strona, reklama) i jakie tematy rozmów
• na jak długo i co się dzieje po wycofaniu zgody, w tym kiedy dostawca usuwa klon
• czy za użyczenie głosu należy się wynagrodzenie
• kto w firmie może zmieniać teksty, które klon wypowiada
• co się dzieje, gdy ta osoba przestaje u ciebie pracować

Ostatni punkt łatwo pominąć, a potem boli. Pani Kasia z recepcji użycza głosu, rok później zmienia pracę, a klienci dalej słyszą ją w słuchawce, choć jej samej w firmie już nie ma. Ustal to z góry, umowę przejrzyj z prawnikiem, a sprawy danych osobowych sprawdź na liście kontrolnej RODO.

Klon nie zwalnia z informowania, że rozmawia AI

Gdy agent mówi głosem prawdziwej osoby, obowiązek informowania z art. 50 AI Act przestaje być formalnością: od 2 sierpnia 2026 r. każdy, kto rozmawia z systemem AI, ma się o tym dowiedzieć. Klient, który zna głos pani Kasi, bez tej informacji będzie przekonany, że rozmawia z nią, i poczuje się oszukany, gdy się zorientuje. Agent z klonowanym głosem przedstawia się więc jasno, na przykład: „Dzień dobry, mówi asystent AI przychodni. Używam głosu pani Katarzyny z rejestracji, za jej zgodą”. Informacja z pierwszego zdania jest obowiązkowa, drugie zdanie to wybór firmy. Dodaj je, bo uprzedza pytania i niezręczne sytuacje.

Ryzyko podszywania, czyli druga strona tej samej techniki

Kopię głosu może zrobić także oszust. Deepfake głosowy powstaje z nagrań, które ktoś sam wrzucił do internetu, choćby z filmiku w mediach społecznościowych. „Metoda na wnuczka” z podrobionym głosem wnuka i telefon „od prezesa” z poleceniem pilnego przelewu to scenariusze, w których podrobiony głos robi całą robotę.

Dla firmy wynikają z tego dwie zasady. Po pierwsze, głos nie jest dowodem tożsamości. Żadnego przelewu, zmiany numeru konta ani wydania danych tylko dlatego, że ktoś brzmi jak szef albo stały klient. Potrzebny jest drugi kanał, na przykład oddzwonienie na numer, który już znasz, albo wcześniej ustalone hasło. Na tym polega identyfikacja rozmówcy, która nie opiera się na samym głosie.

Po drugie, klon głosu u dostawcy to łakomy kąsek. Kto ma dostęp do konta, może kazać klonowi powiedzieć cokolwiek. Zabezpiecz konto drugim składnikiem logowania i daj dostęp tylko tym, którzy go potrzebują. W umowie z dostawcą zapisz, co dzieje się z klonem po zakończeniu współpracy.

Jak nagrać próbki, żeby klon brzmiał dobrze

Klon kopiuje wszystko, także to, czego nie chcesz. Próbki nagrane w pustym biurze z pogłosem dadzą agenta, który mówi jak z łazienki. Nagrywając próbki, trzymaj się takich zasad:

• nagrywaj w cichym, wytłumionym pomieszczeniu, zawsze tym samym mikrofonem i z tej samej odległości
• bez muzyki, klimatyzacji i ulicy w tle
• czytaj tak, jak agent ma mówić, czyli jak w rozmowie, bez tonu audiobooka
• wpleć w tekst polskie nazwy, liczby i pytania, żeby model usłyszał, jak ta osoba je wymawia
• gotowy klon przesłuchaj przez telefon na tych samych zdaniach testowych, które służą do doboru głosu

A nagranie zrobione telefonem w samochodzie też da klon, tylko taki, którego nie chcesz wypuścić do klientów.

Kiedy klon ma sens, a kiedy wystarczy gotowy głos

Moim zdaniem w większości firm gotowy głos z biblioteki dostawcy w zupełności wystarcza.

Nie wymaga zgód ani nagrań. I nie odejdzie z pracy razem z pracownikiem.

Klon ma sens na przykład wtedy, gdy:

• właściciel małej firmy jest jej twarzą, a klienci dzwonią „do pana Marka”
• lektor od lat nagrywa komunikaty firmy i zgadza się, za wynagrodzeniem, na wersję syntetyczną
• firma chce jednego głosu w reklamie radiowej, na infolinii i na stronie
• stare menu tonowe nagrała konkretna osoba i firma chce, żeby przejście na agenta nie zmieniło brzmienia linii

Każdy z tych przypadków wymaga pisemnej zgody i agenta, który na starcie mówi, że jest AI. Przy głosie lektora zajrzyj najpierw do porównania syntezatora z lektorem.