Dlaczego AI śpiewa „Dżacku” zamiast „Jacku”

Skąd się to bierze

Model generujący wokal dostaje tekst i śpiewa go zgodnie z tym, jak najczęściej czyta się dany ciąg liter w danych, na których się uczył. Przy polskim imieniu zapisanym po polsku wygrywa odczyt angielski: J brzmi jak „dż”, w jak „ł”, i jak „aj”. Dla prezentu to nie jest kosmetyka — imię jest jedyną rzeczą, która czyni piosenkę osobistą.

„Ten błąd wyklucza możliwość wykorzystania”

Próba pierwsza: kazać modelowi zapisać imię fonetycznie

Najprostsze rozwiązanie to poinstruować model piszący tekst, żeby imię zapisał w wersji, którą angielski odczyta poprawnie. To działa dla części imion i zawodzi w dwóch miejscach naraz.

Po pierwsze, reguła zgaduje za każdym razem od nowa. „Marzena” dostała zapis „Mazhena” i została zaśpiewana jako „Mashena”. „Zuziu” dostała „Zoozyoo” i wyszła jako „Zozu”. W jednym tygodniu dało to trzy reklamacje, w tym jedno żądanie zwrotu pieniędzy.

Po drugie, reguła się rozlewa. Między 31 lipca a 2 sierpnia 2026 obejmowała wszystkie nazwy własne, nie tylko imię obdarowanego. „Orzechowie” były śpiewane jako „Ozhehovie”, „Parczew” jako „Parchev”, imiona dzieci — „Ewa” i „Julita” — jako „Eva” i „Yoolita”. Zgłosiła to jedna klientka. Reszta albo nie dosłuchała, albo nie napisała.

Czego nie da się naprawić podmianą liter

Najciekawszy przypadek to „Alina”. Model śpiewał „Alena”. Wydłużanie samogłoski powinno pomóc — nie pomogło:

Trzy różne zapisy, jeden i ten sam błędny dźwięk. To nas przekonało, że model nie czyta liter po kolei, tylko dopasowuje ciąg znaków do imienia, które już zna — a „Alena” zna lepiej niż „Alinę”. Dopiero myślniki zmuszają go do przeczytania sylaba po sylabie.

To hipoteza, nie dowód. Opiera się na jednym imieniu sprawdzonym w czterech wariantach. Ale ma konsekwencję praktyczną: tabela podstawień liter i zapis sylabiczny to dwie różne dźwignie, a nie dwa warianty tej samej. Żadna reguła operująca na literach nie odkryłaby tej drugiej sama.

Co robimy dzisiaj

1. Słownik sprawdzony uchem ma pierwszeństwo. Gdy imię już w nim jest, nie pytamy modelu — wstawiamy zapis deterministycznie. Do słownika trafia wyłącznie zapis, który człowiek usłyszał w gotowym nagraniu. Nie „powinien działać”, nie „tak mówi reguła”. Dziś ma 3 pozycje — rośnie wolno, bo każda kosztuje jedno odsłuchane nagranie.
2. Zapis sylabiczny jest drugim podejściem, nie pierwszym. Powstaje dopiero po wykryciu błędu i nigdy nie idzie do klienta na ślepo.
3. Tekst dla człowieka i tekst dla modelu to dwa różne pola. Klient dostaje poprawną polszczyznę, model dostaje wersję fonetyczną. Osobny audyt porównuje oba i zgłasza każdą różnicę, która nie dotyczy imienia obdarowanego — to siatka na wypadek, gdyby reguła znów się rozlała.
4. Gotowe nagranie jest transkrybowane przed wysyłką. Sprawdzamy jedną rzecz: czy w transkrypcji pada imię. W teście na materiale z etykietami model rozpoznawczy trafił pięć razy na pięć, w tym odróżnił „Alinę” od „Aleny” w tej samej piosence — disco polo, męski wokal, pełny podkład. Różni je jedna samogłoska.

Czego nie wiemy

• Nie zmierzyliśmy skali. Nie wiemy, jaki odsetek polskich imion Suno wymawia źle — wiemy tylko, które konkretne przypadki do nas wróciły. Imiona, których nikt nie zgłosił, mogły brzmieć źle i przejść niezauważone.
• Hipoteza o dopasowaniu do znanego imienia opiera się na jednym przypadku. Cztery warianty jednego imienia to za mało, żeby nazwać to regułą.
• Nie wiemy, czy to samo dotyczy nazwisk i nazw miejscowości. Wiemy tylko, że reguła zastosowana do nich robiła szkody, więc jej tam nie stosujemy.
• Wyniki mogą się zmienić z wersją modelu. Wszystko powyżej dotyczy stanu z lipca i sierpnia 2026.