ElevenLabs review 2026: što sve radi na hrvatskom i gdje griješi

Svaki video na ovom kanalu izgovara ElevenLabs. Glas koji čuješ je moj, kloniran, i to je alat koji plaćamo od prvog dana. Zato ovo nije recenzija iz brošure nego iz radionice. Prva ocjena, u kolovozu, stala je na jednom kvaru: godina „2026." pročitana kao „22.6". Ovaj put smo išli šire, jer ElevenLabs odavno nije samo glas iz teksta. Pitanje je bilo jednostavno: što od svega toga stvarno radi na hrvatskom, i što košta jedan obavljen posao.

Mjerili smo 9. rujna 2026. na vlastitom računu, plan Creator, kroz njihovo sučelje za programere. Sve brojke ispod su naše. Gdje piše „tvrtka tvrdi", to nismo provjerili.

Ocjena: vrijedi uvesti, za tri posla

Datum ocjene: 10. rujna 2026. Plan i verzija: Creator (tvrtka navodi 22 dolara mjesečno i 121 tisuću kredita), modeli Multilingual v2, v3, Flash v2.5 i Turbo v2.5, prijepis Scribe v2, sinkronizacija Dubbing v1. Alat smo isprobali na tri posla: izgovoriti hrvatski tekst mojim glasom, prepisati hrvatski govor u tekst i prevesti kratki video na drugi jezik.

Gdje je napuhano: na jednom mjestu. Obećanje „zalijepi tekst i dobiješ govor" za hrvatski novac i datume ne vrijedi bez pripreme teksta. Sve ostalo što tvrtka tvrdi o hrvatskom smo potvrdili.

Tri posla za koje ocjena vrijedi: govor iz teksta na hrvatskom, prijepis hrvatskog govora i sinkronizacija kratkog videa. Za agenta na telefonu i za glazbu ocjena je „vrijedi za jedan posao", s granicom koju ćeš pročitati niže.

1. Što točno radi, i mogu li to dobiti danas

ElevenLabs danas nudi šest stvari koje su nam bile dostupne odmah, bez liste čekanja, na hrvatskom. Govor iz teksta, s klonom vlastitog glasa. Prijepis govora u tekst, alat se zove Scribe. Promjenu glasa na postojećoj snimci. Sinkronizaciju videa na drugi jezik, s vlastitim glasom. Glasovnog agenta, koji odgovara na pitanja kao recepcija. I glazbu i zvučne efekte iz opisa.

Dvije stvari nam nisu bile dostupne, iako se reklamiraju. Studio za dugu formu vraća poruku da račun mora biti posebno odobren („contact our sales team"), a Dubbing Studio za ručno uređivanje sinkronizacije je u zatvorenoj beti. Na planu Creator te dvije stvari ne postoje, koliko god lijepo izgledale na stranici.

Hrvatski je službeno na popisu za sve modele koje smo koristili. To tvrdi tvrtka, i to smo potvrdili: nijedan poziv s hrvatskim tekstom ili zvukom nije odbijen.

2. Tko to tvrdi, i je li itko izvana provjerio

Za prijepis postoji neovisna ljestvica. Artificial Analysis mjeri stopu pogrešnih riječi na engleskom: Scribe v2 je treći s 2,2 posto, a Whisper large v3, koji mnogi koriste besplatno, ima 4,1 posto. Ta ljestvica je engleska i to za hrvatski ne dokazuje ništa. Zato smo mjerili sami, na tri naše snimke s poznatim tekstom.

Za glas iz teksta ista kuća vodi ljestvicu na kojoj slušatelji biraju bolji od dva klipa. ElevenLabs je ondje bio prvi od početka, a tijekom 2026. su ga prestigli Inworld i Breeze. I ta je ljestvica engleska. Na hrvatskom nema nikoga tko bi to mjerio, pa je ono što slijedi jedino mjerenje koje imamo.

3. Koliko košta jedan gotov posao

Sve se plaća iz jedne mjesečne kvote kredita. Na našem računu je granica 158 tisuća kredita mjesečno, jer se neiskorišteni krediti prenose. Izmjerili smo koliko pojede svaki posao.

Govor iz teksta: otprilike jedan kredit po znaku na glavnom modelu, pa je dnevni video od 200 riječi oko 1.240 kredita. Prijepis govora: oko 25 kredita po minuti zvuka, video od pet minuta je oko 120 kredita. Promjena glasa: oko 650 kredita po minuti. Sinkronizacija videa: 2.770 do 3.380 kredita po minuti. Glazba: 412 kredita za 30 sekundi. Zvučni efekt: 33 kredita za tri sekunde.

Iz toga slijedi ono što se ne vidi na stranici s cijenama. Prijepis je gotovo besplatan: cijela mjesečna kvota bi prepisala preko sto sati govora. Sinkronizacija je skupa: ista kvota daje oko 48 minuta videa mjesečno, ako ne radiš ništa drugo. Tko misli prevoditi cijele epizode, treba veći plan.

Ponavljanje je i dalje najskuplji dio. Ako se tekst mora ponovno izgovoriti jer je nešto krivo pročitano, drugi prolaz košta koliko i prvi. Zato se greške love u tekstu prije slanja, ne u zvuku poslije.

4. Radi li na hrvatskom i na hrvatskom slučaju

Ovo je srž recenzije, pa idemo posao po posao.

Govor iz teksta. Isti odlomak od 231 znaka, s imenima Šarić, Đakovo, Čakovec, Šibenik i Žminj, datumom, cijenom „1.250,00 €", postotkom i akronimom API, poslali smo na četiri modela i u sedam varijanti. Dijakritika je bila točna na svih sedam. Nijedan model nije pojeo Đ, Č, Ć, Ž ni Š.

Problem su znamenke, i to ne svugdje jednako. Glavni model, Multilingual v2, cijenu je pročitao kao niz brojki, a s uključenom ugrađenom normalizacijom teksta kao „tisuću dvjesto pedeset eura". Ta ista postavka je akronim API pretvorila u „AP". Dakle, ili točna cijena ili točan akronim, ne oboje.

Brzi modeli, Flash i Turbo, deset su puta brži i upola jeftiniji, i oba su na cijeni od 1.250 eura pukla. Flash je ponovio „cijena je, cijena je", Turbo je izgovorio nešto što nijedan prijepis nije razumio. Za tekst u kojem ima novca ne dolaze u obzir bez pripreme.

Najnoviji model, v3, cijenu je pročitao točno, ali je „u 2026." pretvorio u „od 2026.", što mijenja smisao rečenice.

Kvar iz kolovoza, godina pročitana kao „22.6", ovaj put se nije ponovio. To ne znači da ga nema, nego da je povremen. Rješenje ostaje isto: brojke, datume i iznose piši riječima prije nego ih pošalješ. Naš vlastiti alat za to je u ovom mjerenju uhvaćen s dvije greške, na rednom broju u datumu i na iznosu s tisućicom, pa smo i njega popravili. Toliko o tome koliko je taj korak lako preskočiti.

Postoji i rječnik izgovora: upišeš kako se riječ čita i model je čita tako. Provjerili smo ga na „Savladaj.ai", koji je bez rječnika bio „Savlada AI", a s rječnikom „Savladaj a i". Radi na svim modelima, a jedna rečenica se produlji za manje od sekunde.

Prijepis govora. Ovdje je nalaz najčišći. Na tri naše snimke, od jedne do gotovo pet minuta, Scribe je imao 4,7, 3,0 i 0,98 posto pogrešnih riječi. Whisper u maloj verziji, koju smo dosad koristili, imao je na istim snimkama 17, 12 i 13 posto. Na najduljoj snimci Scribe je bio najbolji, dakle duljina mu ne smeta. Dijakritika: nijedna greška ni na jednoj snimci. Prave pogreške su bila strana prezimena i dvije riječi, a kad smo mu unaprijed dali popis imena, prezime Siemiatkowski je napisao točno. Brzina: pet minuta zvuka prepiše za pola minute.

Dvije sitnice koje treba znati. Scribe sam odlučuje hoće li broj napisati znamenkama ili riječima, i ne radi to dosljedno. I sam dodaje navodnike oko izgovorenog citata, kojih u izvoru nema.

Sinkronizacija. Uzeli smo engleski tekst izgovoren mojim glasom i dali ga prevesti na hrvatski. Prijevod je hrvatski koji se govori: „tvrtka", „kvaliteta", „umjetna inteligencija", bez ijedne krive riječi. Trajanje je ostalo isto do stotinke sekunde. U obrnutom smjeru, hrvatski video na engleski, prijevod je bio jednako čist, a strano prezime napisano točno. Jedno stroj ne mjeri: koliko sinkronizirani glas sliči izvornom. Prijepis to ne vidi, pa se ovdje ne tvrdi.

Agent na telefonu. Napravili smo recepciju za izmišljenu tvrtku s cjenikom, na hrvatskom. Prvi pokušaj je odbijen s porukom koja objašnjava sve: agent koji nije engleski mora koristiti brze modele, Flash ili Turbo. Iste one koji su gore pukli na cijeni. S Flashom je agent proradio, javio se na hrvatskom bez ijednog kalka, dao točnu cijenu iz cjenika za dvadeset komada i odbio obećati rok isporuke, jer mu je tako pisalo u uputi. Brojke je sam napisao riječima, pa ih model nije morao pogađati. To je vjerojatno razlog zašto je prošlo.

Glazba i efekti. Zvučni efekt opisan na hrvatskom radi. Pjesma s hrvatskim stihovima pjeva razumljivo, s točnom dijakritikom, ali je prvi stih promijenila: „uči polako" je postalo „vozi polako". Drugi stih je otpjevan riječ po riječ. Hrvatski izgovor u pjevanju radi, doslovnost stihova ne.

5. Što se dogodi kad zakaže

Tiho. To je i dalje najvažniji redak.

Kad model krivo pročita broj, ništa ne javi grešku. Datoteka se preuzme, glas teče, rečenica zvuči kao da ima smisla. Turbo je na cijeni od 1.250 eura izgovorio besmislicu istim mirnim tonom kojim izgovara sve ostalo. Jedini način da se to uhvati je poslušati ili prepisati izgovoreno.

Za to sad postoji dobar alat u istoj kući: Scribe. Ali i on ima svoj tihi kvar. Kad prepisuješ govor u kojem su brojke, Scribe ih vrati u znamenke, pa iz prijepisa ne možeš vidjeti je li glas rekao „petnaestog" ili „petnaest". Padeži u datumima se provjeravaju uhom, ne strojem.

Jedan glasan kvar smo dobili, i on je bio koristan: agent na hrvatskom nije proradio dok nismo promijenili model, i sustav je točno rekao zašto. Glasan kvar je jeftin. Tih kvar pušta krivu cijenu u objavljeni video.

6. Radi li i za mjesec dana, i mogu li otići

Zvučne datoteke su naše i stoje kod nas. Prijepisi su obični tekst. Sinkronizirani video se preuzme. To se ne gubi ako pretplata prestane.

Tri stvari se ne mogu ponijeti. Prva je klonirani glas: živi na njihovoj platformi i ne izvozi se. To je stvarna ovisnost i treba je izgovoriti naglas.

Druga je klon na najnovijem modelu. Moj profesionalni klon je istreniran za glavni model i za brze modele, ali za v3 ne postoji i po njihovom popisu se ne može napraviti. Prelazak na v3 znači generički glas koji sliči, ali nije moj. U kolovozu sam ga slušao i vratio se na stari model, jer je naglasak odlutao. To je bio moj dojam s datumom, ne mjerenje, i zato ga ovdje ne prepisujem u ocjenu.

Treća su Studio i Audio Native. Ugrađeni player koji čita članak na webu oslanja se na Studio, a Studio nam nije dostupan bez posebnog odobrenja.

Na strani stabilnosti: kvar s godinom iz kolovoza je nestao bez ikakve najave. To je dobro za rezultat i loše za povjerenje, jer se ne zna što se još tiho promijenilo.

Što možeš napraviti s njim već sutra

Ako vodiš malu tvrtku u Hrvatskoj, tri stvari se isplate na planu koji smo mjerili.

Prvo, prepisuj sastanke i pozive. Sat snimke košta manje od tisuću kredita, a pogrešnih riječi je manje nego kod besplatnih alata koje ljudi ovdje koriste. Imena sugovornika upiši unaprijed.

Drugo, snimaj upute i objave vlastitim glasom bez mikrofona. Jedanput snimi klon, pa tekst pretvaraj u govor. Brojke, datume i iznose piši riječima.

Treće, prevedi kratki video za strane kupce. Trideset sekundi košta oko 1.500 kredita, prijevod je čist, a glas ostaje tvoj.

Agent na telefonu radi na hrvatskom, ali ga stavi samo na posao gdje mu u uputi pišu brojke riječima i gdje smije reći „ne znam". Glazbu koristi za podlogu, ne za stihove koje netko mora čuti točno.

Što bi ovu ocjenu promijenilo

Da brzi modeli pročitaju cijenu s tisućicom točno, otpao bi uvjet za pripremu teksta i agenti bi dobili čistu ocjenu. Da klon glasa postane dostupan na v3, otpao bi kompromis između izgovora i sličnosti. Da Studio postane dostupan na planu Creator, promijenio bi se odgovor na šesto pitanje. Da se cijena sinkronizacije po minuti promijeni, treće pitanje se računa ispočetka. Da izvoz glasa postane moguć, ovisnost o kojoj piše gore bi nestala.

Izvori

Sva mjerenja su napravljena 9. rujna 2026. na vlastitom računu, kroz ElevenLabsovo sučelje za programere, na istom kloniranom glasu i istim postavkama. Prijepisi su rađeni s Scribe v2 i s Whisperom, a gdje se razilaze, računali smo oba. Cijene planova su s javne stranice s cijenama, pročitane istog dana. Neovisne ljestvice: Artificial Analysis, ljestvica za prijepis i arena za govor iz teksta, obje na engleskom. Dokumentacija: elevenlabs.io/docs, pročitana 9. rujna 2026.

Ocjena se ponovno provjerava kad se promijeni cijena, model ispod, sučelje ili dostupnost. Uz link na ElevenLabs u ovom tekstu zasad ne dobivamo proviziju; ako se to promijeni, pisat će uz link.