Redakce whispertranscribe.ai · Aktualizováno: listopad 2026 · Čtení na 12 minut · Kategorie: Základy přepisu
Co je převod hlasu na text? Software, který poslouchá mluvená slova a zapisuje je do upravitelného textu. Nazývá se také převod řeči na text nebo automatické rozpoznávání řeči (ASR). Funguje živě, kdy slova vznikají během mluvení, nebo ze záznamu, kdy hotový zvukový či video soubor vytvoří přepis.
Na úvod: vytváříme whispertranscribe.ai, službu přepisu v prohlížeči. Tvrzení o technologii odkazují na Google, Microsoft, Apple, W3C nebo výzkumný přehled, nikoli na naši reklamu.
Stručná odpověď: co je převod hlasu na text?
Automaticky převádí řeč na text: na vstupu je zvuk, model rozpoznávání vybere nejpravděpodobnější slova a software doplní interpunkci.
- Další názvy: řeč na text, rozpoznávání řeči, ASR, hlasové psaní, mluvení na text.
- Dva režimy: živý (streaming) pro psaní a titulky a souborový (dávkový) pro hotové nahrávky.
- Háček: přesnost silně závisí na zvuku. Hluk, vzdálený mikrofon, výrazné přízvuky, terminologie a překrývající se hlasy způsobují chyby.
Hlas na text, řeč na text, diktování a přepis
Hlas na text a řeč na text znamenají totéž. Diktování je jedno použití (mluvení do textového pole), přepis další (převod nahrávky na písemný záznam). „Rozpoznání hlasu“ se liší: určuje, kdo mluví.
Iniciativa W3C Web Accessibility Initiative používá „rozpoznávání řeči“ pro převod slov na text a „rozpoznání hlasu“ nebo „mluvčího“ pro určení mluvčího, nikoli slov.
| Pojem | Obvyklý význam | Typický výstup |
|---|---|---|
| Hlas na text | Běžný název převodu řeči na text | Text na obrazovce nebo v souboru |
| Řeč na text (STT) | Totéž; obvyklý termín v dokumentaci | Text, často s časovými značkami |
| Automatické rozpoznávání řeči (ASR) | Technický obor a model v pozadí | Nejpravděpodobnější sled slov |
| Diktování nebo hlasové psaní | Mluvení do textového pole místo psaní | Text u kurzoru |
| Přepis | Písemný záznam nahrávky nebo události | Přepis k úpravě, hledání a exportu |
| Živé titulky | Text v reálném čase při přehrávání | Titulky na obrazovce, obvykle bez uložení |
| Rozpoznání hlasu či mluvčího | Určení, kdo mluví | Označení mluvčího, nikoli slova |
Každé diktování je převodem hlasu na text, ale ne každý převod je diktování. 90minutový rozhovor potřebuje přepis, odpověď na email bez rukou diktování.
Jak převod hlasu na text funguje?
Každý systém zachytí zvuk, převede jej na číselné příznaky, natrénovaným modelem najde nejpravděpodobnější slova a výsledek zformátuje. Za poslední desetiletí se změnila konstrukce modelu.
- Zachycení. Mikrofon nebo soubor dodá digitální signál. Dokumentace Google Cloud Speech-to-Text doporučuje nahrávat při 16,000 Hz, je-li na výběr. Nižší frekvence může přesnost zhoršit, vyšší nepřináší významný rozdíl.
- Extrakce příznaků. Signál se rozdělí na krátké rámce a převede na příznaky, obvykle spektrogram zobrazující změny energie zvuku podle frekvence a času.
- Rozpoznání. Model přiřadí příznakům nejpravděpodobnější sled slov.
- Formátování. Systém doplní interpunkci, velká písmena a někdy časy či mluvčí.
Klasický přístup: akustický a jazykový model
Po desetiletí bylo rozpoznávání rozděleno na části. Přehled end-to-end rozpoznávání z roku 2023 popisuje čtyři součásti: extrakci akustických příznaků, akustické modelování, jazykové modelování a vyhledávání, které vybere nejlepší celkovou odpověď.
- Akustický model odhaduje zvuky řeči v každém úseku. Klasické systémy používaly skryté Markovovy modely pro různou rychlost řeči.
- Výslovnostní slovník spojuje zvuky se slovy.
- Jazykový model hodnotí pravděpodobnost posloupností, takže upřednostní smysluplnou frázi před podobně znějícím nesmyslem.
Moderní přístup: end-to-end modely
Novější systémy jsou převážně end-to-end: jedna neuronová síť se z přepsané řeči naučí celý převod zvuku na text. Stejný přehled uvádí, že hluboké učení snížilo chybovost slov oproti dřívějšímu modelování o více než 50% a end-to-end modely se staly hlavním přístupem. Známým příkladem je Whisper od OpenAI; popisuje jej průvodce co je Whisper AI.
| Klasický postup | End-to-end model | |
|---|---|---|
| Struktura | Samostatný akustický model, výslovnostní slovník a jazykový model | Jedna neuronová síť od zvuku k textu |
| Trénink | Ručně vytvořené seznamy slov a fonémů a několik fází | Velké množství přepsané řeči |
| Typická slabina | Samostatně trénované části mohou zvyšovat chyby a náklady | Potřeba mnoha přepisů; obtížnější využití samotného textu |
| Jazyková znalost | Samostatný jazykový model | Naučená v síti; lze přidat externí model |
Živý a souborový přepis: jaký je rozdíl?
Živý (streamingový) převod zobrazuje text, zatímco člověk mluví, a hodí se pro diktování a živé titulky. Souborový (dávkový) přepis zpracuje hotovou nahrávku a vrátí celý text poté; hodí se pro rozhovory, schůzky a přednášky.
Google Cloud Speech-to-Text má tři typy požadavků: synchronní pro zvuk do 1 minuty, asynchronní pro soubory do 480 minut a streamingový, který vrací průběžné výsledky během řeči. Azure Speech od Microsoftu podobně rozlišuje přepis v reálném čase, rychlý a dávkový (ověřeno v listopadu 2026).
| Živý převod (streaming) | Souborový přepis (dávka) | |
|---|---|---|
| Kdy se objeví text | Během řeči; průběžná slova se mohou změnit | Po zpracování nahrávky |
| Typické použití | Diktování, živé titulky, hlasoví asistenti | Rozhovory, schůzky, přednášky, podcasty, titulky videa |
| Co zůstane | Obsah textového pole nebo okna titulků | Přepis k úpravě a exportu |
| Hlavní kompromis | Rychlost místo uhlazenosti | Čekání, ale možnost opakovat soubor s jiným nastavením |
Pokud text nikdo nepotřebuje ihned, nahrajte čistý zvuk a přepište soubor. Zachováte originál pro kontrolu každé věty. Před nahráváním získejte potřebný souhlas a svolení pořadatele.
K čemu se převod hlasu na text používá?
Lidé jej používají k psaní bez klávesnice, převodu nahrávek na prohledávatelné poznámky, titulkování videa a zpřístupnění mluveného obsahu. Microsoft uvádí i kontaktní centra, například analýzu po hovoru.
| Použití | Obvyklý režim |
|---|---|
| Psaní emailů, zpráv a návrhů hlasem | Živé diktování |
| Poznámky ze schůzek a rozhovorů | Souborový přepis nebo živý pro rychlé poznámky |
| Poznámky z přednášek a seminářů | Nahrávka a následný přepis |
| Titulky videa | Souborový přepis s exportem SRT nebo VTT |
| Hlasové poznámky a nahrané hovory | Souborový přepis |
| Přístupnost pro neslyšící, nedoslýchavé nebo osoby neschopné používat klávesnici | Živé titulky a diktování |
Situaci ve třídě popisuje průvodce aplikacemi pro nahrávání přednášek.
Kde najít převod hlasu na text v telefonu či počítači
Většina zařízení již obsahuje hlasové psaní: klávesa Windows + H ve Windows 11, Dictation na Macu či iPhonu nebo mikrofon klávesnice Gboard na Androidu. Tyto nástroje píší do aktuálního pole; nepřepisují již hotové nahrávky.
| Platforma | Vestavěná funkce | Spuštění podle oficiální nápovědy | Je potřeba internet? |
|---|---|---|---|
| Windows 11 | Hlasové psaní | Umístěte kurzor do pole a stiskněte klávesu Windows + H | Ano. Microsoft uvádí online rozpoznávání pomocí Azure Speech |
| Mac | Dictation | Zapněte v System Settings, Keyboard, Dictation. Spusťte klávesou Microphone, zkratkou nebo Edit, Start Dictation | Různé. Keyboard ukazuje, zda se obecné diktování zpracovává v Macu |
| iPhone | Dictation | Settings, General, Keyboard, Enable Dictation. Pak klepněte na mikrofon klávesnice | Často ne. Apple uvádí zpracování na iPhonu bez internetu pro mnoho jazyků |
| Android | Hlasové psaní Gboard | V aplikaci s textovým polem klepněte na mikrofon nahoře na klávesnici | Na stránce Google neuvedeno |
Podrobnosti z oficiálních stránek:
- Windows: průvodce hlasovým psaním Microsoftu popisuje i volitelnou automatickou interpunkci.
- Mac: podle průvodce Dictation se diktování zastaví po 30 sekundách ticha a nejistá slova podtrhne modře, například „flour“ místo zamýšleného „flower“.
- iPhone: průvodce Dictation uvádí hlasové příkazy pro interpunkci a úpravy.
- Android: nápověda Gboard uvádí, že hlasové psaní nefunguje ve všech jazycích a některé kroky potřebují Android 7.0 nebo novější.
Názvy nabídek se mezi verzemi mění, řiďte se nápovědou svého zařízení.
Jak přesný je převod hlasu na text a jaká má omezení?
U čistého zvuku jednoho mluvčího blízko mikrofonu moderní systém správně zachytí většinu slov. Přesnost klesá s hlukem, vzdáleností, silnými přízvuky, odbornými výrazy a překrývajícími se hlasy. Univerzální číslo neexistuje; nahrávka je stejně důležitá jako software.
Standardním měřítkem je chybovost slov (WER): počet zaměněných, vynechaných a vložených slov dělený počtem slov v člověkem ověřeném přepisu. Článek jak přesný je Whisper ukazuje rozdíl mezi čistými audioknihami a vzdálenými mikrofony na schůzkách.
| Omezení | Proč vzniká | Co pomáhá |
|---|---|---|
| Přízvuky a dialekty | Některé jsou v tréninku mnohem vzácnější | Správná regionální varianta a krátká zkouška |
| Hluk a vzdálenost | Hluk a ozvěna zamlžují řeč | Přiblížit mikrofon, tichá místnost či headset |
| Žargon, jména a vzácná slova | Modely upřednostňují běžná slova | Vlastní seznamy (Microsoft jim říká phrase lists) nebo korektura jmen a čísel |
| Více mluvčích a překryvy | Překrývající se hlasy se obtížně oddělují; označování je samostatná diarizace | Mluvit po jednom; zkontrolovat mluvčí |
| Telefonní a nekvalitní zvuk | Google uvádí u staršího telefonního zvuku 8,000 Hz, což může snížit přesnost | Nahrávat kvalitněji; převzorkování starý zvuk neopraví |
| Stejně znějící slova | „Flour“ a „flower“ znějí stejně | Před odesláním text přečíst |
Dvě návyky zachytí většinu chyb: ověřujte jména, čísla a technické termíny proti zvuku a živé titulky berte jako vodítko, ne jako záznam.
Převod hlasu na text pro přístupnost
Pomáhá dvěma směry. Diktování umožňuje psát hlasem; W3C mezi uživateli uvádí osoby s tělesným postižením, opakovaným přetížením i kognitivním nebo vzdělávacím postižením. Titulky a přepisy umožňují sledovat zvuk neslyšícím a nedoslýchavým.
Stránka W3C o sluchovém postižení říká, že zvukový obsah potřebuje alternativy jako přepisy a titulky. Upozorňuje také, že automatické titulky bývají příliš nepřesné, protože vynechávají odborné výrazy a spojují věty. Před publikováním je zkontrolujte a opravte. Rozdíl vysvětluje průvodce subtitles a captions.
Živé nástroje mají i telefony. Live Captions od Apple (iPhone 11 nebo novější) přepisuje zvuk aplikací i okolí v reálném čase; Apple upozorňuje, abyste se na něj nespoléhali v rizikových či nouzových situacích. Google Live Transcribe na Androidu zobrazuje řeč a zvuky jako text a vyžaduje internet, pokud nepoužíváte offline jazyk.
Jak vybrat nástroj: 5 kritérií
Začněte požadovaným výsledkem. Pro rychlou zprávu stačí vestavěné diktování. Pro dlouhou nahrávku posuzujte souborové nástroje podle pěti bodů.
- Živě, nebo ze záznamu? Psaní hlasem potřebuje diktování v aplikacích. Existující nahrávky vyžadují podporu souborů a případně odkazů.
- Podpora jazyka a přízvuku. Ověřte jazyk a regionální variantu pro daný režim; živý a souborový se mohou lišit.
- Kam jde zvuk. Některé nástroje zpracovávají řeč v zařízení, jiné ji odesílají na server. Před citlivým nahráním si přečtěte zásady soukromí a před nahráváním osob získejte potřebný souhlas a svolení pořadatele.
- Výstup. Hledejte mluvčí, časové značky, editor a export DOCX, TXT, SRT nebo VTT.
- Limity a cena. Ověřte nejdelší a největší soubor a cenu podle hodin zvuku.
Pokud rozhoduje rozpočet, přehled nejlepšího bezplatného softwaru pro přepis srovnává bezplatné tarify.
Kam zapadá whispertranscribe.ai
whispertranscribe.ai je služba v prohlížeči pro převod nahrávek na text s živým přepisem z mikrofonu. Není to diktovací nástroj: nepíše do jiných aplikací a nemá desktopovou aplikaci. Podle našich produktových stránek:
- Nahrání záznamů. Hlas na text online přijímá MP3, WAV, M4A, MP4 a MOV až do 5GB a 10 hodin. Souborový přepis pokrývá 130+ jazyků s volitelným rozlišením mluvčích.
- Přepis z odkazu. Vložte YouTube, Vimeo, Google Drive nebo Dropbox do Transcribe from URL.
- Nahrávání v prohlížeči. Nahrajte a přepište hlas bez instalace nebo nahrajte hlasové poznámky.
- Živý přepis. Stránka živého přepisu nahrává mikrofon a zobrazuje text v reálném čase. Vyberete jazyk a mikrofon a můžete zapnout mluvčí. Nabídka jazyků je kratší než u souborů.
- Exporty. DOCX, PDF, SRT, VTT, TXT a CSV; generátor titulků AI vytváří titulky. Lze použít i nahrané hovory: viz přepis telefonních hovorů.
Přesnost dosahuje až 99% u čistého zvuku; hluk, výrazné přízvuky a překryvy ji snižují. Placené programy začínají na $9.99/měsíc při roční platbě (ceny) a můžete začít zdarma bez účtu. Úplný seznam je na stránce funkcí.
Časté dotazy
Je hlas na text totéž co řeč na text?
Ano. Oba názvy označují technologii, která slyší řeč a vytváří upravitelný text. „Řeč na text“ je běžnější v dokumentaci Google a Microsoft, zatímco „hlas na text“ lidé častěji vyhledávají. Obě používají automatické rozpoznávání řeči. Odděleným pojmem je „rozpoznání hlasu“, které W3C používá pro určení mluvčího, nikoli obsahu.
Je hlas na text totéž co diktování?
Ne zcela. Diktování je jedno použití: mluvíte do textového pole a slova se objeví u kurzoru jako ve Windows nebo Apple Dictation. Hlas na text zahrnuje i přepis celé nahrávky rozhovoru, přednášky nebo schůzky. Pro nový text použijte diktování, pro existující zvuk nástroj na přepis.
Potřebuje hlas na text internet?
Záleží na nástroji. Microsoft říká, že hlasové psaní Windows potřebuje internet kvůli online rozpoznávání. Apple uvádí, že iPhone Dictation zpracovává mnoho jazyků v zařízení bez internetu; nastavení Keyboard na Macu ukazuje místo zpracování. Google Live Transcribe potřebuje internet, pokud nepoužíváte offline jazyk. Cloudové služby včetně prohlížečových potřebují připojení pro nahrání a zpracování zvuku.
Je hlas na text zdarma?
Základní funkce je na většině zařízení zdarma. Windows, macOS, iOS i Android zahrnují hlasové psaní či diktování bez příplatku, podpora jazyků se však liší. U dlouhých záznamů služby často poskytují bezplatnou zkoušku či tarif a pak účtují hodiny zvuku nebo předplatné. Před platbou ověřte délku, velikost, jazyky a exporty ve zvoleném tarifu.
Jak přesný je hlas na text?
U čistého zvuku jednoho mluvčího blízko mikrofonu správně zachytí většinu slov, univerzální číslo však neexistuje. Chyb přibývá s hlukem, ozvěnou, vzdáleností, přízvuky, odbornými výrazy a překryvy. Běžným měřítkem je chybovost slov zahrnující záměny, vynechání a vložení. Před použitím přepisu vždy ověřte jména, čísla a odborné výrazy proti zvuku.
Pozná hlas na text, kdo mluví?
Některé nástroje ano. Označení toho, kdo kdy mluvil, je samostatný krok zvaný diarizace a není všude dostupný. Vestavěné diktování předpokládá jednoho mluvčího. Přepisové služby často štítky přidávají; například Azure Speech dokumentuje diarizaci až 35 mluvčích. Nejlépe funguje při odlišných hlasech bez překryvů, proto podobné hlasy a překryvy zkontrolujte.
Máte nahrávku k převodu na text? Nahrajte ji do whispertranscribe.ai a získejte přepis ve 130+ jazycích s exporty DOCX, PDF, SRT a VTT.
Zdroje
- Google Cloud: Přehled Cloud Speech-to-Text (ověřeno v listopadu 2026)
- Microsoft Learn: Co je převod řeči na text? (Azure Speech) (ověřeno v listopadu 2026)
- Prabhavalkar, Hori, Sainath, Schlüter, Watanabe: End-to-End Speech Recognition: A Survey (arXiv 2303.03329)
- W3C WAI: Rozpoznávání řeči a Sluchová postižení
- Microsoft Support: Hlasové psaní na PC
- Apple Support: Diktování zpráv a dokumentů na Macu a Diktování textu na iPhonu
- Google: Nápověda Gboard, hlasové psaní
