> ## Documentation Index
> Fetch the complete documentation index at: https://docs.brosbots.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Głos (TTS)

> Agenci głosowi używają TTS (syntezy mowy), aby zamienić odpowiedzi LLM na dźwięk, który słyszy rozmówca.

Głos ustawiasz **per agent**: otwórz agenta i przejdź do zakładki **Głos**.
Domyślnie do wyboru są głosy z zarządzanego stacku Brosbots - żeńskie
i męskie w różnych stylach. Pod spodem mówi ElevenLabs na modelu
**Eleven v4 turbo**; modelu nie wybierasz, ustawiasz tylko głos.
W zaawansowanych ustawieniach głosu v4 czyta wyłącznie **stabilność** -
prędkość, styl i podobieństwo dotyczą starszych modeli ElevenLabs na
własnym kluczu.

Na planie **Business** dostępni są wszyscy dostawcy TTS (m.in. ElevenLabs,
Cartesia, Soniox, Deepgram, OpenAI) oraz **własne głosy** (custom voices) - po
dodaniu klucza dostawcy w **Konto → Klucze dostawców**. Identyfikator
głosu (voice ID) dobierz według dokumentacji dostawcy pod kątem języka
rozmów.

## Ekspresja: śmiech, westchnienie, ciepło w głosie

Eleven v4 turbo (czyli każdy zarządzany głos Brosbots) i Eleven v3 rozumieją
krótkie wskazówki w nawiasach kwadratowych i **wykonują** je zamiast czytać:
`[laughs]`, `[chuckles]`, `[sighs]`, `[exhales]`, `[warmly]`, `[excited]`,
`[curious]`, `[hesitates]`, `[whispers]`. Agent dostaje o tym informację automatycznie,
w czasie rozmowy, i tylko wtedy, gdy jego głos to obsługuje - starszy model
ElevenLabs albo inny dostawca przeczytałby słowo „chuckles” na głos.

Zasady, które agent dostaje razem z listą: najwyżej jedna wskazówka na
wypowiedź i w większości wypowiedzi żadna, tylko tam, gdzie człowiek
naprawdę by tak zareagował (krótki śmiech po żarcie rozmówcy, cieplej przy
pocieszaniu), tylko z listy i nigdy w danych, które agent powtarza.
W transkrypcji rozmowy wskazówek nie widać - słychać je w nagraniu. Nie
trafiają też nigdzie poza rozmowę: z SMS-ów, e-maili, notatek i wierszy w
Arkuszach Google, pól CRM i argumentów narzędzi są usuwane, zanim cokolwiek
zostanie wysłane albo zapisane.

Prompty z kreatora mają od teraz akapit o naturalnej rozmowie: większość
odpowiedzi zaczyna się od mówionej reakcji na to, co agent usłyszał („mhm”,
„aha”, „no jasne”, „o, super”), dobranej do sytuacji i nigdy tej samej dwa
razy z rzędu; do tego zmienne potwierdzenia, imię rozmówcy raz czy dwa, bez
powtarzania jego słów. Starszego agenta uzupełnisz, dodając
ten akapit do promptu w edytorze - przykład w `CHANGELOG_2026-10-15-ekspresja.md`.

Przed wywołaniem narzędzia (wyszukiwanie, sprawdzenie zamówienia, kalendarz)
agent nie mówi reakcji ani „chwileczkę” - każdy agent z narzędziami dostaje
tę zasadę automatycznie. Narzędzie rusza od razu, a zdanie o czekaniu („Już
sprawdzam, chwileczkę.” albo Twój komunikat oczekiwania) pada raz, w trakcie
sprawdzania. Jeśli model mimo to sam poprosi o chwilę, drugiego „chwileczkę”
już nie ma.

## Gdy synteza mowy zawiedzie

Pojedynczy błąd syntezy (zerwane połączenie) kosztuje jedno zdanie: przy
następnym agent łączy się z dostawcą od nowa. Drugi błąd w ciągu 30 s albo
błąd, który się sam nie naprawi (wyczerpane znaki, odrzucony klucz), kończy
rozmowę zamiast zostawić rozmówcę w ciszy: agent odtwarza krótkie
przeprosiny nagrane wcześniej jego własnym głosem i rozłącza się
z dyspozycją `service_failure`.

Przeprosiny nagrywamy raz na głos, przy pierwszej rozmowie na nim, i
trzymamy na serwerze - zadziałają także wtedy, gdy klucz właśnie stracił
znaki. Dotyczy to głosów ElevenLabs (zarządzanych i na własnym kluczu); przy
innym dostawcy albo gdy głos padł, zanim przeprosiny zdążyły się nagrać,
agent rozłącza się bez nich.

## Soniox

Soniox to jedyny dostawca, którego można ustawić po obu stronach rozmowy:
transkrypcja i głos na jednym kluczu (zob. [Transkrypcja](transcriber)).

* **Model** - `tts-rt-v2`, aktualny model realtime. Poprzedni `tts-rt-v1`
  został wycofany 31.08.2026 i po stronie Soniox i tak trafia na v2.
* **Głos** - wybierasz z listy pobieranej na żywo z konta Soniox (m.in.
  `Maya`); pole ma zwykłą wyszukiwarkę głosów.
* **Język** - kod języka tekstu, np. `pl`.
* **Prędkość** - `0.7`-`1.3`, gdzie `1.0` to tempo normalne. Wartości spoza
  zakresu są przycinane, bo API je odrzuca.
* **Naturalna ekspresja** - przełącznik, domyślnie wyłączony. Po włączeniu do
  każdej wypowiedzi doklejamy tag stylu (np. `[conversational]`), a v2 odgrywa
  ją zamiast czytać płasko: naturalne wtrącenia, wahania, akcenty. Tag idzie
  wyłącznie do syntezy - nie ma go w transkrypcji, w kontekście modelu ani
  w podsumowaniu rozmowy.
* **Styl wypowiedzi** - tag używany przy włączonej ekspresji. Lista
  podpowiada kilka gotowych (`conversational`, `warm`, `calm`, `empathetic`,
  `excited`, `whispering`), ale pole jest tekstowe, więc możesz wpisać dowolny
  z dokumentacji Soniox bez czekania na zmianę w kodzie.

Rozliczenie to około 0,70 USD za godzinę wygenerowanej mowy, czyli mniej
więcej połowa stawki ElevenLabs.


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.