Odcinek kanału YouTube
Dałem AI 30 sekund mojego głosu. Teraz mówi za mnie… no, prawie | Homelab #14
23.08.2026Dałem modelom po 30 sekund mojego głosu i odpaliłem je na starym Dellu bez GPU. Porównuję Chatterbox Multilingual i TADA 3B: który lepiej brzmi po polsku, a który działa szybciej?
YouTube
Film ładuje się dopiero po kliknięciu — bez ciasteczek YouTube przed odtworzeniem.
Notatki do odcinka
Streszczenie i rozwinięcie filmu — dla osób, które wolą najpierw przeskanować temat, zamiast oglądać całość.
Czy 30 sekund zwykłego nagrania wystarczy, żeby lokalne AI zaczęło mówić moim głosem? To sprawdzam w Voiceboxie uruchomionym na starym Dellu bez GPU. Do porównania biorę Chatterbox Multilingual oraz TADA 3B Multilingual i daję im praktycznie tę samą próbkę mojego głosu.
Nie oceniam wyłącznie tego, czy model potrafi wygenerować mowę. Słucham barwy, akcentu i intonacji, sprawdzam polski oraz angielski, a później mierzę czas generowania i zużycie pamięci. Dzięki temu porównanie obejmuje zarówno efekt, jak i koszt uruchomienia modeli na sprzęcie bez karty graficznej.
Co zobaczysz
Na początku pokazuję efekt końcowy, a potem wyjaśniam, czym jest Voicebox. Następnie przechodzę przez instalację w homelabie bez GPU. To istotny kontekst dla całego testu: oba modele są uruchamiane lokalnie, a ograniczenia starego komputera wpływają na czas oczekiwania i wymagania pamięciowe.
Kolejny etap to przygotowanie próbki głosu. Oba modele dostają praktycznie ten sam materiał, więc nie porównuję dwóch różnych nagrań wejściowych. Potem odsłuchuję wygenerowane głosy i sprawdzam, czy zachowana została moja barwa, sposób akcentowania oraz intonacja. Nie sprowadzam oceny do jednej etykiety „brzmi dobrze” — interesuje mnie, w czym każdy z modeli jest przekonujący, a gdzie pojawiają się ograniczenia.
Osobno sprawdzam język polski i próbkę po angielsku. Polski jest tu ważnym testem, bo oba modele są wielojęzyczne, ale sama obecność obsługi języka nie gwarantuje takiego samego rezultatu w każdym przypadku. W materiale pokazuję, że klonowanie po polsku ma swoje ograniczenia, a test angielski pozwala spojrzeć na możliwości modeli z innej strony.
W dalszej części porównuję szybkość, pamięć RAM i użycie CPU. W benchmarku sześciu identycznych próbek Chatterbox potrzebuje 10 minut i 26 sekund oraz około 6,5 GB RAM. TADA 3B potrzebuje 49 minut i 49 sekund oraz około 21 GB RAM. To nie jest abstrakcyjny wynik z karty produktu, tylko pomiar wykonany w tym konkretnym lokalnym teście.
Pod koniec wychodzi jeszcze problem integracji TADA z Voiceboxem. Przy polskich próbkach encoder nie dostawał informacji o języku i korzystał z domyślnego angielskiego alignera. Zgłaszam issue, przygotowuję lokalny fix i wysyłam Pull Request do Voiceboxa. Odcinek kończę pytaniem o praktyczne zastosowania oraz zagrożenia związane z klonowaniem głosu.
Kluczowe wnioski
Chatterbox okazuje się wyraźnie szybszy i lżejszy w tym środowisku. Sześć identycznych próbek zajmuje mu 10 minut i 26 sekund, przy około 6,5 GB RAM. TADA 3B potrzebuje 49 minut i 49 sekund oraz około 21 GB RAM, więc różnica jest istotna już na poziomie codziennego użycia.
Jednocześnie szybkość nie rozstrzyga całego porównania. W moim odsłuchu TADA 3B trochę lepiej przypomina mój głos. To osobna ocena od czasu generowania: model może brzmieć bliżej oryginału, ale wymagać znacznie więcej cierpliwości i pamięci.
Claim, że Chatterbox „outperforms ElevenLabs”, też wymaga ostrożności. W odcinku sprawdzam, co właściwie oznacza takie sformułowanie, i odnoszę je do dostępnych porównań. Nie zamieniam pojedynczego hasła w uniwersalny werdykt dla każdego języka, sprzętu i zastosowania.
Najbardziej praktyczna lekcja dotyczy integracji. Błąd z polskim alignerem pokazał, że wynik zależy nie tylko od samego modelu, lecz także od sposobu przekazywania informacji o języku. Lokalny fix i Pull Request były częścią testu, bo poprawne działanie całego narzędzia jest ważniejsze niż sam pierwszy odsłuch.
Jak to odtworzyć
Uruchom Voicebox lokalnie na komputerze bez GPU, przygotuj około 30 sekund nagrania i użyj praktycznie tej samej próbki dla Chatterbox Multilingual oraz TADA 3B Multilingual. Następnie porównaj oba modele na polskim i angielskim tekście.
Dla porównania wydajności użyj sześciu identycznych próbek i zapisz czas generowania, zużycie RAM oraz użycie CPU. Warto również sprawdzić, czy integracja przekazuje język polski do encodera TADA. W odcinku ten brak prowadzi do issue, lokalnego fixa i Pull Requesta.
Najczęstsze pytania
Czy 30 sekund wystarczy do klonowania głosu?
W tym teście wystarczyło do wykonania porównania lokalnego klonowania. Nie oznacza to jednak, że każdy rezultat będzie identyczny ani że klon zawsze zabrzmi jak oryginał.
Który model jest szybszy?
Chatterbox. Dla sześciu identycznych próbek potrzebował 10 minut i 26 sekund, a TADA 3B 49 minut i 49 sekund.
Który model lepiej brzmi?
W moim odsłuchu TADA 3B trochę bardziej przypominał mój głos, ale Chatterbox był lżejszy i szybszy. Wybór zależy więc od tego, czy ważniejszy jest czas, sprzęt czy podobieństwo brzmienia.