Najlepsze polskie głosy TTS 2026 (5 głosów Piper offline + neuronowe Edge)

Opublikowano 10 lipca 2026

Polski nie ma najgłębszego katalogu neuronowych głosów w chmurze — trzy głosy Edge Online, mniej niż niemiecki czy włoski. Ale ma coś rzadszego: pięć polskich głosów w projekcie Piper, w tym pl_PL-bass-high, jeden z zaledwie kilku społecznościowych głosów Piper w jakości „high" poza angielskim. To czyni polski jednym z najlepiej obsłużonych języków dla neuronowego TTS offline w przeglądarce. Ten artykuł analizuje wszystkie darmowe polskie głosy — Piper, Edge Online, Apple i klasyczne Microsoft — jeden po drugim, bez marketingu.

Krajobraz polskiego TTS w 2026

Trzy fakty definiują polską sytuację w 2026 roku:

Po pierwsze: mocną stroną polskiego jest offline, nie chmura. Katalog Piper ma pięć polskich głosów — więcej niż większość języków nieanglojęzycznych — a jeden z nich, pl_PL-bass-high, jest wytrenowany w jakości „high", czego nie mają nawet niemiecki czy francuski w Piperze. Wszystkie działają w całości w przeglądarce przez WebAssembly, bez wysyłania tekstu do żadnego serwera.

Po drugie: w chmurze polski ma trzy neuronowe głosy Edge Online (Zofia, Marek, Agnieszka), syntetyzowane na serwerach Azure i dostępne przez Web Speech w przeglądarce Edge. To mniej niż niemiecki (19) czy włoski (14), ale w praktyce trzy dobrze zróżnicowane głosy neuronowe pokrywają większość zastosowań — kobiecy domyślny, męski poważny i kobiecy alternatywny.

Po trzecie: klasyczne głosy systemowe (Paulina i Adam na Windows, Zosia na macOS) są nadal dostępne i nadal brzmią „staro". Mają swoją niszę — krótkie powiadomienia, podstawowa dostępność — ale do jakiegokolwiek tekstu dłuższego niż trzy zdania istnieje dziś wyraźnie lepsza alternatywa. Jednej rzeczy polski nie ma: głosów Kokoro. Model Kokoro-82M nie obejmuje polskiego, więc do neuronowego TTS offline rekomendacją jest Piper.

Pięć polskich głosów Piper (offline, w przeglądarce)

To część, która uzasadnia tytuł. Pięć polskich głosów Piper działa jako moduły WebAssembly w przeglądarce, w całości offline po pierwszym pobraniu — tekst nigdy nie opuszcza urządzenia:

• pl_PL-bass-high — męski głos w jakości „high", rzadkość poza angielskim. Głęboki, basowy timbr, wyraźnie dokładniejszy niż modele „medium". To najlepszy polski głos Piper i jeden z niewielu społecznościowych głosów „high" w dowolnym języku innym niż angielski. Domyślny wybór do dłuższej narracji offline.
• pl_PL-gosia-medium — głos żeński, jakość medium. Domyślny wybór żeński offline: czysty timbr, spokojna artykulacja. Najlepszy do audiobooków i długich tekstów, gdy potrzebujesz kobiecego głosu bez chmury.
• pl_PL-darkman-medium — głos męski, jakość medium. Ciemniejszy, poważniejszy ton niż mc_speech. Dobry do treści o poważniejszym ciężarze, gdy bass-high jest zbyt duży do pobrania.
• pl_PL-mc_speech-medium — głos męski/neutralny, jakość medium. Wszechstronny, bez zbyt wyrazistych cech — dobry jako „niewidzialny" narrator do tekstu technicznego lub informacyjnego.
• pl_PL-mls_6892-low — jakość low, mniejszy model, szybsza inferencja. Słychać artefakty na dłuższych samogłoskach, ale przydaje się na słabszym sprzęcie lub gdy liczy się czas generowania, nie idealna jakość.

Top 3 do ogólnego zastosowania: bass-high (najlepsza jakość, głos męski), gosia-medium (najlepszy głos żeński offline), darkman-medium (lżejsza alternatywa męska). Jeśli zależy Ci na prywatności lub pracujesz offline, zacznij od tych trzech, zanim w ogóle spojrzysz na chmurę.

Ważna uwaga: głosy „high" i „medium" to większe pobrania niż „low". Na wolnym łączu pierwsze uruchomienie bass-high może chwilę potrwać, ale potem model jest w pamięci podręcznej i działa w całości lokalnie.

Trzy neuronowe głosy Online w Edge

W chmurze polski ma trzy głosy Edge Online (syntetyzowane na serwerach Azure, dostępne przez Web Speech w przeglądarce Edge). Każdy z uczciwą oceną:

• Microsoft Zofia Online — domyślny głos żeński dla polskiego. Czysty, neutralny timbr, stabilna prozodia na długich zdaniach. To wybór „domyślny", gdy nie chcesz się nad tym zastanawiać.
• Microsoft Marek Online — standardowy odpowiednik męski. Poważny, lekko formalny ton. Świetny do treści informacyjnych lub technicznych.
• Microsoft Agnieszka Online — głos żeński, alternatywa dla Zofii. Nieco cieplejszy rejestr — przydatny, gdy Zofia zaczyna męczyć ucho przy długim słuchaniu.

Rekomendacja: Zofia Online jako bezpieczny domyślny, Marek Online do tekstu formalnego, Agnieszka Online jako druga barwa kobieca. Trzy głosy to mniej niż w innych językach, ale jakość każdego z nich dorównuje najlepszym głosom neuronowym Edge.

Istotne ograniczenie: głosy Edge Online działają tylko w przeglądarce Microsoft Edge i wymagają połączenia z internetem — synteza odbywa się na serwerach Azure. Do tekstów wrażliwych (dane medyczne, prawne, RODO) wybierz zamiast tego Piper.

Microsoft Paulina i Adam: klasyczne głosy Windows

Na każdym Windowsie dwa klasyczne głosy SAPI pozostają dostępne we wszystkich przeglądarkach (Edge nie jest wymagany):

• Microsoft Paulina — historyczny systemowy głos żeński. Brzmi dokładnie tak, jak pamiętasz z Windows 7. Przydatny, gdy nie ma internetu.
• Microsoft Adam — klasyczny głos męski. Ta sama rodzina technologiczna, te same ograniczenia.

Realny przypadek użycia tych głosów w 2026: czytnik ekranu offline na niestabilnym łączu, krótkie powiadomienia w kioskach, dostępność na starszych systemach. Do wszystkiego innego lepszy będzie Edge Online albo Piper.

Apple: Zosia, Krzysztof i Ewa

Na macOS i iOS dostępne są trzy polskie głosy (wersje Premium pobiera się z Ustawienia → Dostępność → Treść mówiona):

• Zosia — domyślny głos żeński (pl-PL). Wersja Premium jest wyraźnie neuronowa, jakością porównywalna z najlepszymi głosami Edge Online. Działa w 100% lokalnie — nic nie trafia do chmury.
• Krzysztof (Siri) — głos męski Siri. Naturalny ton, dobrze wyważona prozodia na dłuższych zdaniach.
• Ewa (Siri) — drugi głos żeński Siri. Alternatywa dla Zosii, nieco jaśniejsza.

Na Apple kompromis jest korzystny: jakość niemal jak Edge Online, ale z syntezą lokalną. Dla osób korzystających z iPhone'a/Maca i dbających o prywatność, Zosia Premium lub Krzysztof to właściwy punkt między jakością a przetwarzaniem offline.

Dlaczego brakuje Kokoro (i co zamiast niego)

Kokoro-82M to znakomity, lekki model neuronowy działający na WebGPU — ale nie obejmuje języka polskiego. W przeciwieństwie do włoskiego czy hiszpańskiego, nie ma polskich głosów Kokoro.

To dlatego polska mocna strona offline opiera się w całości na Piperze. Dobra wiadomość: dzięki pl_PL-bass-high w jakości „high" polski Piper jest solidniejszy niż domyślny katalog Kokoro w wielu innych językach. Jeśli szukasz neuronowego głosu offline po polsku, Piper jest odpowiedzią — nie potrzebujesz Kokoro.

Głos do zastosowania: audiobooki, narracja, powiadomienia, tekst techniczny

Praktyczna decyzja według przypadku:

• Długi audiobook (1+ godzina): Piper pl_PL-bass-high (męski, offline, najlepsza jakość) lub pl_PL-gosia-medium (żeński, offline). Stabilność prozodii jest tu kluczowa — oba utrzymują ton przez całe rozdziały. W chmurze: Edge Zofia Online.
• Narracja informacyjna / podcast: Edge Marek Online lub Piper pl_PL-bass-high. Wyraźna artykulacja, formalny rejestr.
• Treść nieformalna / film na YouTube: Edge Agnieszka Online lub Piper pl_PL-gosia-medium.
• Tekst techniczny / informacyjny: Piper pl_PL-mc_speech-medium — neutralny, „niewidzialny" narrator.
• Krótkie powiadomienia, system offline: Microsoft Paulina/Adam SAPI lub Piper pl_PL-mls_6892-low (szybsze generowanie).
• Dostępność czytnika ekranu: domyślny głos systemowy (Apple Zosia, Microsoft Paulina) — tu liczy się minimalne opóźnienie.
• Tekst wrażliwy pod kątem RODO: Piper offline (bass-high, gosia, darkman) lub Apple Zosia — synteza lokalna, tekst nie opuszcza urządzenia.
• Najlepsza jakość bez chmury: Piper pl_PL-bass-high wszędzie, gdzie działa WebAssembly (czyli praktycznie w każdej przeglądarce).
• iPhone / Mac, bez tarcia: Apple Zosia Premium. Pobierasz, instalujesz, zapominasz.

Wypróbuj sam

Otwórz Quick TTS, wklej akapit po polsku i przełączaj się między silnikiem przeglądarki (Edge Online lub Apple) a Piperem na tym samym tekście. Możesz zmienić głos w trakcie czytania — Quick TTS wznawia od miejsca, w którym zatrzymał się poprzedni głos, więc możesz porównać Zofia → bass-high → gosia na tym samym zdaniu. To jedyny uczciwy sposób porównania kilkunastu głosów: ludzkie ucho, ten sam materiał.

Więcej kontekstu w przewodniku (dziewięć praktycznych zastosowań TTS), w najczęściej zadawanych pytaniach oraz na stronie O nas, która wyjaśnia, dlaczego Quick TTS przetwarza wszystko lokalnie — łącznie z kwestią RODO przy treściach wrażliwych.