Šesť sekúnd.
To je celá dĺžka, ktorú potrebuje open-source model Chatterbox na to, aby z vašej nahrávky vytvoril syntetickú kópiu hlasu. Nie hodina štúdiového materiálu, nie desať minút čistého prednesu — šesť sekúnd. Keď som to prvýkrát počul, bol som skeptický. Po reálnom otestovaní na slovenskej vete vám poviem, kde to funguje a kde to padá na hubu.
Slovenská TTS scéna: chudobná príbuzná
Kto skúšal generovať slovenskú reč umelou inteligenciou, pozná ten pocit. Piper, obľúbený odľahčený syntetizátor, má pre slovenčinu presne jeden hlas — a je ženský. Mužský slovenský hlas v Pipri neexistuje vôbec. Ak potrebujete mužský prednes, hľadáte inde.
Coqui VITS ponúka slovenský model, ktorý znie výrazne lepšie. Má to však háčik: licencia CC-BY-NC. V preklade — na komerčný projekt ho nesmiete použiť. Je to rovnaká pasca ako pri generovaní obrázkov: model síce stiahnete, ale ak z neho chcete zarobiť, porušujete licenčné podmienky. Pre firmy je to slepá ulička.
Qwen3-TTS má síce Apache 2.0 a podporu desiatich jazykov, ale slovenčina medzi nimi chýba. Pointa? Najpoužívanejšie open-source modely nás obchádzajú.
Chatterbox: prekvapenie, ktoré nečakáte
Až Chatterbox — model od Resemble AI — ponúka slovenský dotrénovaný model pod MIT licenciou. To znamená komerčné využitie bez obmedzení. A k tomu kľúčovú funkciu: klonovanie hlasu z približne šiestich sekúnd referenčnej nahrávky.
Zaujímavosť, na ktorú som narazil pri inštalácii: hoci oficiálna dokumentácia tvrdí niečo iné, v kóde modelu je tokenizér so 40 jazykovými značkami vrátane [sk], [cs], [hu] či [ro]. Slovenský model je natrénovaný presne na tú značku, ktorá v slovníku už existovala. Slovenčinu teda blokuje len kontrola na vstupe — nie samotná schopnosť modelu. Stačí obísť validáciu a model po slovensky hovorí. Nie je to hack, je to objavenie funkcie, ktorá tam už bola.
Inštalácia: hodina pascí
Ak sa rozhodnete Chatterbox vyskúšať, pripravte sa na reťazec problémov, ktorý vás zdrží približne hodinu. Model vyžaduje knižnicu perth, ktorá do zvuku vkladá nepočuteľný vodoznak signalizujúci syntetický pôvod. Tá zase potrebuje pkg_resources, ktoré setuptools od verzie 84 už neobsahujú. Riešenie? Inštalovať setuptools starší ako verzia 81.
Najhoršie na tom je, že chybová hláška nepovie nič. Trieda sa jednoducho ticho prepadne na None a vy netušíte, čo sa stalo. Diagnostika takejto chyby bez kontextu je frustrujúca.
Kvalita: čistota nad dĺžkou
Pri testovaní som narazil na zásadné zistenie: čokoľvek je v referenčnej nahrávke šum, zapečie sa do každej generácie. Ak máte v šiestich sekundách šumenie, ruch alebo ozvenu, model to považuje za súčasť hlasu a reprodukuje to v každom výstupe. Dôležitejšia je preto čistota nahrávky než jej dĺžka. Šesť sekúnd tichého prostredia vyhrá nad tridsiatimi sekundami s ruchom pozadia.
Druhé zistenie: spomalenie reči výrazne dvíha zrozumiteľnosť slovenčiny. Slovenské vety s dlhými slovami a skloňovaním pri rýchlom prednese splývajú. Zníženie tempa o 15 – 20 percent robí s kvalitou zázraky.
Skloňovanie čísel: samostatný krok
A tu prichádza najväčšia pasca pre slovenčinu. Slovenčina čísla skloňuje — „2 eurá“, „5 eur“, „s 3 modelmi“. Žiadny TTS motor to nevyrieši za vás. Normalizácia textu, teda prevod číselných zápisov na správne tvary slov, je samostatný krok, ktorý musíte spraviť ešte pred samotným generovaním reči.
Ak tento krok preskočíte, model prečíta „2 eurá“ ako „dva eurá“, čo znie neprirodzene a prezrádza syntetický pôvod. Pre slovenčinu je to kritické — pri angličtine tento problém takmer neexistuje, preto ho mnohé návody vôbec nespomínajú.
Čo si z toho vziať
Pre osobnú skúsenosť s klonovaním vlastného hlasu je Chatterbox momentálne najlepšia open-source voľba so slovenskou podporou. MIT licencia vám dáva voľnosť aj pre komerčné projekty. Vodoznak, ktorý model vkladá, je pri AI obsahu skôr výhodou — označenie syntetickej reči robí model sám a dá sa overiť aj spätne.
Pre firemné nasadenie si však pripravte rozpočet na normalizáciu textu a poriadne testovanie. Šesť sekúnd na klonovanie je pôsobivých, ale kvalitný slovenský výstup chce viac než len spustiť model.
Technický záver: šesť sekúnd nestačí na všetko
Chatterbox s MIT licenciou a slovenským modelom je momentálne najdostupnejšia cesta ku komerčne využiteľnému slovenskému TTS. Počítajte však s hodinou na inštaláciu, samostatnou normalizáciou číselných tvarov a čistou referenčnou nahrávkou. Kvalita výstupu stojí na detailoch, nie na marketingových sľuboch.
Zdroje
- Resemble AI — Chatterbox dokumentácia a licencia, github.com/resemble-ai/chatterbox (citované 3. 9. 2026)
- Piper — zoznam podporovaných hlasov, github.com/rhasspy/piper (citované 3. 9. 2026)
- Coqui VITS — licenčné podmienky, github.com/coqui-ai/TTS (citované 3. 9. 2026)
- Qwen3-TTS — podporované jazyky, github.com/QwenLM/Qwen3-TTS (citované 3. 9. 2026)
