Wideo AI po polsku - który model mówi po polsku (mój test)

Wideo AI mówiące po polsku da się dziś wygenerować w jednym przebiegu, ale tylko w części modeli. W moim teście z 28 września 2026 trudne polskie zdanie bez błędu wypowiedziały MiniMax H3 Max, Grok Imagine Video 1.5, Gemini Omni Flash 1.1 i Veo 3.1 (ten ostatni prawie), z jednym błędem MiniMax H3 i FLUX.3 Video, a Kling 3.0 Pro przekręcił 10 z 12 słów. W Jantarisie najprościej zacząć od MiniMax H3 (od 0,931 zł za sekundę, dźwięk stereo w cenie). Niżej pełna tabela, jak napisać polską kwestię, ile kosztuje klip i kiedy lepiej nagrać lektora osobno.

Mój test: łamaniec ze Szczebrzeszyna

Każdy model dostał to samo polecenie: kobieta przy kuchennym stole patrzy w kamerę i mówi "W Szczebrzeszynie chrząszcz brzmi w trzcinie, a ja płacę trzydzieści dwa złote". Zdanie ma zbitki spółgłosek, "ą", "ę", "ł" i liczebnik, więc błędy wychodzą szybko. Ustawienia: 5 sekund, 16:9, 720p (albo najbliższy próg modelu), dźwięk włączony, jedna próba na model, bez losowania od nowa.

Mowę sprawdzałem programem do rozpoznawania mowy faster-whisper w dwóch rozmiarach (large-v3 i medium) i liczyłem błędnie rozpoznane słowa na 12. Testowałem przez API innych dostawców, nie przez Jantaris, więc wyniki traktuj jako wskazówkę co do modelu, nie gwarancję. Pełny opis jest na moim blogu w rankingu modeli wideo i w teście Klinga po polsku.

Co z tego wynika w praktyce:

• Pewny wybór w Jantarisie to MiniMax H3. Jeden błąd na początku zdania ("Szczepzeszynie"), reszta czysto, a dźwięk jest w każdym klipie bez dopłaty.
• Grok Imagine Video 1.5 i FLUX.3 Video też dobrze trzymały polską wymowę. Grok w Jantarisie wymaga zdjęcia startowego.
• H3 Max wypadł najlepiej, ale uważaj. Dostawca, u którego testowałem, opisywał H3 Max inaczej niż katalog Jantarisa, a opis w Jantarisie nie wymienia ścieżki audio. Zanim zaplanujesz serię, zrób jeden klip testowy.
• Veo 3.1 w Jantarisie nie ma przełącznika dźwięku, więc jego dobrego wyniku nie przenoszę na nasz formularz 1:1.
• Klinga i Seedance do polskiej mowy nie biorę. Obraz robią świetny, ale polskie słowa rozsypują się w obu.

Ciekawostka z testu trzyjęzycznego: Kling czytał polskie i niemieckie zdanie z amerykańską wymową, a MiniMax H3 angielskie i niemieckie z wyraźnie polskim akcentem. Wygląda na to, że oba modele mają jeden "ojczysty" głos. To moja interpretacja dwóch klipów, nie reguła.

Jak napisać polską kwestię w prompcie

Opis sceny piszę po angielsku, a samą kwestię po polsku, w cudzysłowie, z dopiskiem, że ma paść po polsku:

Medium close-up of a man in his forties at a workshop bench, looking into the camera.
He says clearly and calmly in Polish: "Dzień dobry, dziś pokażę, jak wymienić uszczelkę w kranie."
Static camera, natural daylight, quiet workshop ambience, no music, no subtitles, no on-screen text.

Zasady, które przy polskiej mowie pomagają:

• Liczby słownie. "trzydzieści dwa złote" zamiast "32 zł", inaczej model musi zgadnąć odmianę.
• Krótkie zdania. Jedno zdanie na 4-5 sekund. W teście wszystkie modele zmieściły 12 słów w 4-5 s, dłuższy tekst przyspieszają.
• Bez łamańców w prawdziwych klipach. Szczebrzeszyn był testem. W reklamie wybierz prostsze słowa, jeśli masz wybór.
• "no subtitles". Dopisuję to zawsze, żeby model nie wypisał kwestii na ekranie. Napisy dodaję w montażu.
• Opisz głos. "warm female voice", "low calm male voice", wiek i tempo. Bez opisu dostajesz losowy głos.

Wynik sprawdzam tak samo jak w teście: przepuszczam ścieżkę przez rozpoznawanie mowy (np. faster-whisper albo automatyczne napisy w CapCut) i porównuję tekst z tym, co miało paść. Ucho łatwo przepuszcza błędy, które transkrypcja od razu pokaże.

Klip po polsku w Jantarisie: Studio i API

W Jantaris Studio wybierasz zakładkę Wideo i MiniMax H3, wklejasz prompt, ustawiasz 768P na próby i 2K na finał. Przez API zlecenie wygląda tak:

curl https://jantaris.com/v1/generate \
  -H "Authorization: Bearer $JANTARIS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "minimax-h3",
    "input": {
      "prompt": "Medium close-up of a man in his forties at a workshop bench, looking into the camera. He says clearly and calmly in Polish: \"Dzień dobry, dziś pokażę, jak wymienić uszczelkę w kranie.\" Static camera, natural daylight, quiet workshop ambience, no music, no subtitles.",
      "aspect_ratio": "16:9",
      "resolution": "768P",
      "duration": 6
    }
  }'

W trybie z samego tekstu H3 wymaga konkretnych proporcji (adaptive jest odrzucane). Jeśli zaczynasz od zdjęcia osoby, podajesz je w image_url, a proporcje bierze z obrazu. Gotowy plik odbierasz przez GET /v1/tasks/{id}. Obraz z H3 w 2K w moim teście z sierpnia:

Ile kosztuje klip z polską mową

Koszt to sekundy razy stawka, razy liczba podejść. Przy mowie planuję 2-3 podejścia, bo nawet dobry model raz na jakiś czas połknie słowo:

Stawki "od" dotyczą najniższej rozdzielczości, a H3 w 2K kosztuje więcej. Nieudane generacje kosztują 0 zł. Saldo doładowujesz od 40 zł BLIK-iem albo kartą, faktura VAT przychodzi automatycznie. Inne warianty policzysz w kalkulatorze kosztów.

Kiedy lepiej nagrać polskiego lektora osobno

Mowa generowana w klipie ma sens przy krótkich kwestiach postaci w kadrze. W innych sytuacjach wybieram osobny głos:

• Lektor spoza kadru. Poradnik, reklama z narracją, film produktowy. Generuję obraz bez mowy (np. Kling 3.0 bez dźwięku w 720p, od 0,98 zł za sekundę), a polski głos nagrywam sam albo w narzędziu do syntezy mowy i składam w montażu. Ruch ust nie ma wtedy znaczenia.
• Długi tekst. Minuta mowy to kilka klipów, a każdy może mieć inny głos. Jeden lektor na całość brzmi spójnie.
• Nazwy własne i terminy. Nazwę firmy czy produktu model może przekręcić w każdej próbie. Nagranie robisz raz.

Nagranie z telefonu warto oczyścić z szumu, np. modelem Voice Cleaner, opisanym w tekście odszumianie nagrania AI. Jeśli chcesz, żeby postać ruszała się w rytm Twojego nagrania, Wan 2.7 Video przyjmuje zdjęcie i plik audio razem (image_url + audio_url). Jak dokładnie trzyma przy tym ruch ust, nie testowałem.

Porównania modeli pod kątem mowy znajdziesz też w zestawieniach MiniMax H3 vs Kling 3.0 i Kling 3.0 vs Veo 3.1, a gadające zdjęcia w tekście gadające zdjęcie AI.

Najczęstsze pytania

Który generator wideo AI mówi po polsku?

W moim teście trudne polskie zdanie bez błędu powiedziały MiniMax H3 Max, Grok Imagine Video 1.5 i Gemini Omni Flash 1.1, prawie bez błędu Veo 3.1, a z jednym błędem MiniMax H3 i FLUX.3 Video. W Jantarisie na start polecam MiniMax H3, bo dźwięk ma zawsze w cenie.

Czy Kling mówi po polsku?

Słabo. Polskiego nie ma na oficjalnej liście języków Kling 3.0, a w moim teście wersja Pro przekręciła 10 z 12 słów. Do angielskich kwestii Kling sprawdza się dobrze.

Jak napisać prompt, żeby postać mówiła po polsku?

Scenę opisz po angielsku, kwestię wpisz po polsku w cudzysłowie z dopiskiem "says clearly in Polish", liczby zapisz słownie i dodaj "no subtitles". Jedno krótkie zdanie na 4-5 sekund.

Czy da się zrobić film AI z polskim lektorem?

Tak. Najpewniej: wygeneruj obraz bez mowy, a polskiego lektora nagraj osobno lub zsyntetyzuj i połącz w montażu. Krótkie kwestie postaci w kadrze może wypowiedzieć sam model, np. MiniMax H3.

Ile kosztuje klip AI z polską mową?

Sekundy razy stawka modelu. Na przykład 6 sekund w MiniMax H3 w 768P to 6 × od 0,931 zł za sekundę, z dźwiękiem w cenie. Przy trzech podejściach mnożysz przez 3. Nieudane generacje kosztują 0 zł.

Czy mogę wygenerować wideo po polsku za darmo?

W Jantarisie nie ma darmowego planu ani kredytów na start, minimalne doładowanie to 40 zł, a saldo nie wygasa. Darmowe, limitowane próby mają aplikacje niektórych producentów modeli.