Co je převod hlasu na text? Jak funguje a kdy jej použít

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.

  1. 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.
  2. Extrakce příznaků. Signál se rozdělí na krátké rámce a převede na příznaky, obvykle spektrogram zobrazující změny energie zvuku podle frekvence a času.
  3. Rozpoznání. Model přiřadí příznakům nejpravděpodobnější sled slov.
  4. 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.

  1. Živě, nebo ze záznamu? Psaní hlasem potřebuje diktování v aplikacích. Existující nahrávky vyžadují podporu souborů a případně odkazů.
  2. Podpora jazyka a přízvuku. Ověřte jazyk a regionální variantu pro daný režim; živý a souborový se mohou lišit.
  3. 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.
  4. Výstup. Hledejte mluvčí, časové značky, editor a export DOCX, TXT, SRT nebo VTT.
  5. 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:

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

Chcete převést nahrávky na text?

Přepisujte zvuk a video s whispertranscribe.ai.

Začít s přepisem ↗