Wideo z AI mówi po polsku, choć listy milczą

Generowanie wideo AI w październiku 2026 to klipy do 30 sekund, z dźwiękiem i mową. Żadna z opublikowanych list języków nie wymienia polskiego.

Sprawdziłem więc w praktyce, czy modele mówią po polsku. Dwa z trzech mówią.

Stan: działa dla FLUX 3 Video i Grok Imagine Video 1.5 Lite w Higgsfield, w teście z 25 października.

Seedance 2.0 Mini: dostępne, ale po polsku nie mówi poprawnie. Sora w API i podgląd Veo 3.1: wyłączone. Pozostałe modele z tekstu: ogłoszone.

Co obiecują producenci?

FLUX 3 Video od Black Forest Labs wymienia angielski, chiński, hiszpański, francuski, niemiecki, japoński, portugalski, rosyjski, włoski, indonezyjski, turecki, hindi i pendżabski. Lista kończy się słowami „and more”.

Kling 4.0 według Higgsfield mówi po chińsku, angielsku, japońsku, koreańsku, hiszpańsku, portugalsku, niemiecku, francusku i w hindi, z dopiskiem „and others”. Dokumentacja Grok Imagine Video obiecuje mowę z ruchem ust, ale języków nie podaje.

Jak wyglądał test?

Jeden prompt, trzy modele w Higgsfield, po jednym klipie: 5 sekund, 720p, 16:9, z dźwiękiem. Baristka w krakowskiej kawiarni mówi „Dzień dobry! Dziś polecam szarlotkę z cynamonem.”, a za nią wisi tablica „KAWA 12 ZŁ · ŻUREK 18 ZŁ”.

Dźwięk z każdego klipu przepuściłem przez Whisper large-v3 z automatycznym wykrywaniem języka. We wszystkich trzech Whisper rozpoznał polski.

Transkrypcja pokazuje, czy słowa są zrozumiałe. Brzmienie głosu oceniłem osobno, na słuch.

Co powiedziały modele?

Model	Koszt	Transkrypcja Whisper	Na słuch
Seedance 2.0 Mini	5 kredytów	„Dzień dobry! Dzień z Paloją, Szarlowska z Cynanamią.”	nie radzi sobie z polskim
Grok Imagine Video 1.5 Lite	5 kredytów	„Dzień dobry. Dziś polecam szarlotkę z cynamonem.”	robotycznie, ale zrozumiale
FLUX 3 Video	30 kredytów	„Dzień dobry, dziś polecam szarlotkę z cynamonem.”	naturalnie

FLUX 3 Video powiedział zdanie słowo w słowo i brzmi jak człowiek, choć polskiego nie ma na jego liście. Grok Lite trafił w każde słowo za jedną szóstą ceny, ale głos brzmi robotycznie.

Seedance 2.0 Mini zaczął dobrze, a potem zamienił resztę w zlepek polsko brzmiących sylab.

A polskie znaki w kadrze?

• FLUX 3 Video napisał tablicę bez błędu, z „Ż” i „Ł”.
• Grok Lite napisał ceny poprawnie, ale nad nimi dorysował wiersz, którego nie było w prompcie. Do tego sam dodał na dole napisy z wypowiedzią, z poprawnymi polskimi znakami.
• Seedance 2.0 Mini zachował „Ż”, ale zgubił „Ł”: zamiast „ZŁ” wyszło „Z”.

Napisy wypalone przez Grok to kłopot. Nie da się ich wyłączyć w montażu, więc klip z innym podpisem trzeba generować od nowa.

Ile to kosztuje w większej skali?

Higgsfield 24 października opisał cennik. Plan Starter to 200 kredytów miesięcznie za 15 USD, Plus to 1000 kredytów za 49 USD, Ultra 3000 kredytów za 129 USD. Niewykorzystane kredyty przepadają.

Przy stawce planu Plus klip z testu kosztuje około 0,25 USD w Grok Lite i około 1,47 USD w FLUX 3 Video. Kling 4.0 kosztuje według Higgsfield 25 kredytów za 5 sekund w 720p i 225 kredytów za 30 sekund w 1080p.

Dlaczego nie przywiązywać się do jednego modelu?

Bo modele wideo znikają. OpenAI usunęło model Sora z API 24 września 2026, pół roku po zapowiedzi, i nie podało następcy. Google wyłączyło podgląd Veo 3.1 22 października i kieruje do Gemini Omni Flash.

Agregator taki jak Higgsfield daje tu przewagę. Model zmieniasz w menu, a nie w kodzie, a ten sam prompt sprawdzasz na kilku modelach za kilka kredytów.

A lokalnie?

Da się, ale z ograniczeniami.

Wan 2.2 ma licencję Apache 2.0. Najmniejszy wariant TI2V-5B potrzebuje według autorów co najmniej 24 GB pamięci, np. RTX 4090, i to z przenoszeniem części modelu do pamięci RAM.

LTX-2.5 od Lightricks jest darmowy przy rocznym przychodzie poniżej 10 mln USD. MiniMax H3 ma otwarte wagi, ale jego licencja wyklucza Unię Europejską. Polska firma nie ma więc licencji na jego uruchomienie.

Wniosek: lista języków u producenta nie mówi, czy model zagada po polsku. Zanim wybierzesz generator, wydaj 5 kredytów na jeden klip z polskim zdaniem.

Do szkicu i testu ujęć wystarczy Grok Imagine Video 1.5 Lite. Do materiału dla klienta zapłać 30 kredytów za FLUX 3 Video, bo w moim teście tylko on brzmiał naturalnie i napisał tablicę bez błędu.