Dla części odbiorców audiodeskrypcja nie jest dodatkiem do wystawy czy filmu — jest jedynym kanałem, przez który w ogóle dociera do nich obraz. Dlatego pytanie „żywy głos czy syntezator" waży tu więcej niż w niemal każdym innym rodzaju nagrania lektorskiego.
Synteza mowy w ostatnich latach zrobiła ogromny skok. Coraz trudniej odróżnić ją od nagrania studyjnego, a koszt i czas produkcji spadają. To właśnie szybkość i możliwość automatyzacji sprawiają, że część instytucji bierze ją pod uwagę. W audiodeskrypcji nie są to jednak wystarczające powody, by zastąpić człowieka generowanym głosem.
Problem w tym, że audiodeskrypcja to nie jest zwykłe odczytanie tekstu. To słowny opis tego, czego osoba niewidoma lub słabowidząca nie może zobaczyć — obrazu, sceny, gestu, koloru światła. Sposób, w jaki ten opis brzmi, jest częścią tego, co odbiorca faktycznie „widzi" w wyobraźni. Sprawdziłem, co na ten temat mówią badania, nie opinie.
Co pokazało badanie 67 osób niewidomych i słabowidzących
Jedno z najczęściej cytowanych badań w tym obszarze przeprowadziły Anna Fernández-Torné i Anna Matamala z Uniwersytetu Autonomicznego w Barcelonie. 67 osób niewidomych i słabowidzących oceniało audiodeskrypcję do filmów dubbingowanych na kataloński, nagraną zarówno głosem syntetycznym, jak i naturalnym.
Wynik nie był jednoznacznym zwycięstwem żadnej ze stron, ale też nie był remisem. Część uczestników nie odrzucała syntezatora z góry. Jednocześnie głosy naturalne uzyskały statystycznie wyższe oceny i pozostały rozwiązaniem preferowanym. Badanie opisuje próg akceptowalności technologii — nie jest argumentem za wyborem jej do finalnej audiodeskrypcji.
Mój wniosek produkcyjny jest jednoznaczny: do finalnej audiodeskrypcji rekomenduję i oferuję wyłącznie prawdziwy, ludzki głos.
Ile intonacji potrzeba w audiodeskrypcji
Drugie pytanie, które pojawia się przy każdym nagraniu audiodeskrypcji — również tym nagranym żywym głosem — brzmi: ile emocji i intonacji powinien nieść głos opisujący? Zbyt neutralny opis brzmi jak czytanie instrukcji. Zbyt ekspresyjny może zacząć interpretować scenę zamiast precyzyjnie ją opisywać i narzucać odbiorcy sposób jej odczytania.
Anna Jankowska, Joanna Pilarczyk, Kinga Wołoszyn i Michał Kuniecki zbadali właśnie tę granicę — porównując odbiór audiodeskrypcji nagranej z różnym poziomem intonacji. Wniosek jest praktyczny dla każdego, kto nagrywa audiodeskrypcję zawodowo: „wystarczająco" nie znaczy „monotonnie", ale też nie znaczy „teatralnie". To wąska ścieżka między dwoma błędami, a nie jeden uniwersalny „dobry ton".
Dlaczego postęp AI nie zmienia mojej rekomendacji
Dzisiejsze syntezatory nie są już tym, czym były dekadę temu, ale poprawa ich technicznego brzmienia nie rozwiązuje najważniejszego problemu. Raport RNIB (Royal National Institute of Blind People) z 2024 roku sprawdzał jakość i przydatność współczesnych głosów syntetycznych do audiodeskrypcji w treściach brytyjskich nadawców — dramatach, sporcie i programach faktograficznych.
Wynik jest niejednoznaczny w ciekawy sposób. Uczestnicy badania często w ogóle nie rozpoznawali głosu syntetycznego jako sztucznego — pod względem samej barwy i płynności synteza mowy potrafi dziś oszukać ucho. Problem pojawił się gdzie indziej: w dramacie i sporcie syntetyczna audiodeskrypcja była odbierana jako pozbawiona emocjonalnego zaangażowania, chłodna, „odklejona" od tego, co dzieje się na ekranie. Przy treściach faktograficznych różnica była znacznie mniejsza.
Dlaczego ciepło głosu ma tu szczególne znaczenie
Louise Fryer, autorka podstawowego podręcznika akademickiego o audiodeskrypcji (An Introduction to Audio Description, Routledge, 2016), zwraca uwagę na coś, co łatwo pominąć: audiodeskrypcja ma w sobie element wykonawczy, performatywny, a nie tylko informacyjny. Osoba opisująca nie tylko przekazuje fakty — nadaje im tempo, wagę i emocjonalny ciężar, tak jak aktor czytający didaskalia.
To dobrze koresponduje z badaniem Rachel Hutchinson i Alison F. Eardley nad tak zwaną „wzbogaconą dźwiękowo" audiodeskrypcją w muzeach — obejmującą nie tylko opis, ale i sposób jego wypowiedzenia. Uczestnicy badania, zarówno niewidomi, jak i widzący, opisywali swoje doświadczenie sformułowaniami w rodzaju „czułem, że jestem tam razem z nimi". To właśnie ta jakość — poczucie obecności, a nie tylko zrozumienie faktu — najtrudniej daje się dziś odtworzyć syntezatorowi.
Dlaczego do audiodeskrypcji wybieram wyłącznie żywy głos
- akceptowalność technologii w badaniu nie oznacza, że odbiorcy ją preferują,
- nie daje pewnej kontroli nad subtelną intonacją, pauzą i rytmem opisu,
- w sztuce i dramacie może brzmieć chłodno oraz emocjonalnie obco,
- nagranie reprezentujące instytucję powinno pozostać wiarygodne i trwałe.
- niuansowanie pauz, intonacji i czasu podania opisu,
- emocjonalną obecność bez popadania w nadmierną teatralność,
- możliwość reżyserowania interpretacji i korygowania jej w studiu,
- finalne nagranie gotowe do odpowiedzialnej publikacji.
W mojej ofercie nie ma audiodeskrypcji nagrywanej głosem syntetycznym. Jeśli materiał ma trafić do odbiorców jako finalna, publiczna wersja, realizuję go prawdziwym głosem — własnym albo odpowiednio dobranego lektora.
Co to oznacza w praktyce dla muzeów i instytucji kultury
Dla instytucji planującej audioprzewodnik lub audiodeskrypcję wniosek jest konkretny: szybkość, skala ani faktograficzny charakter materiału nie są dla mnie powodem, by zastępować lektora syntezatorem. Zakres trasy, harmonogram i budżet można dopasować produkcyjnie; finalną audiodeskrypcję nagrywam prawdziwym głosem, z kontrolą intonacji, tempa i pauz. Strukturę samej narracji i przygotowanie materiału do studia opisuję również w poradniku jak napisać i nagrać dobry audioprzewodnik.
Sam nagrywam audiodeskrypcję i audioprzewodniki dla muzeów narodowych, zamków i instytucji kultury — między innymi dla Zamku Królewskiego w Warszawie i Skarbca Koronnego na Wawelu. Dlatego nie oferuję wyboru między człowiekiem a syntezatorem: pomagam dobrać właściwy prawdziwy głos i sposób prowadzenia narracji.
Źródła
- Anna Fernández-Torné, Anna Matamala, Text-to-speech vs. Human Voiced Audio Descriptions: A Reception Study in Films Dubbed into Catalan, The Journal of Specialised Translation, 2015, nr 24, s. 61–88, jostrans.org/article/view/7708 (dostęp: 27 lipca 2026).
- Anna Jankowska, Joanna Pilarczyk, Kinga Wołoszyn, Michał Kuniecki, Enough is enough: how much intonation is needed in the vocal delivery of audio description?, Perspectives, 2023, vol. 31, nr 4, s. 705–723, doi.org/10.1080/0907676X.2022.2026423 (dostęp: 27 lipca 2026).
- RNIB, Study Report: Synthetic Speech for Audio Description, 2024, media.rnib.org.uk (dostęp: 27 lipca 2026).
- Louise Fryer, An Introduction to Audio Description: A Practical Guide, Routledge, 2016.
- Rachel Hutchinson, Alison F. Eardley, "I felt I was right there with them": the impact of sound-enriched audio description on experiencing and remembering artworks, for blind and sighted museum audiences, Museum Management and Curatorship, 2023, vol. 39, nr 6, s. 733–750, doi.org/10.1080/09647775.2023.2188482 (dostęp: 27 lipca 2026).