Autor: uredništvo whispertranscribe.ai · Ažurirano: studeni 2026. · Vrijeme čitanja: 12 minuta · Kategorija: Osnove transkripcije
Što je pretvaranje glasa u tekst? To je softver koji sluša izgovorene riječi i zapisuje ih kao tekst koji možete uređivati. Drugi su nazivi pretvaranje govora u tekst i automatsko prepoznavanje govora (ASR). Postoje dva oblika: uživo, kada se riječi pojavljuju dok osoba govori, i iz snimke, kada gotova audio ili videodatoteka postaje transkript.
Napomena: mi stvaramo whispertranscribe.ai, uslugu transkripcije u pregledniku. Tvrdnje o radu tehnologije oslanjaju se na Google, Microsoft, Apple, W3C ili pregled istraživanja, a ne na naš marketing.
Kratki odgovor: što je pretvaranje glasa u tekst?
Pretvaranje glasa u tekst automatski pretvara govor u tekst: zvuk ulazi, model prepoznavanja govora odabire najvjerojatnije riječi, a softver dodaje interpunkciju.
- Drugi nazivi: govor u tekst, prepoznavanje govora, ASR, tipkanje glasom, govorno pisanje.
- Dva načina: uživo (streaming) za tipkanje i titlove te iz datoteke (grupna obrada) za postojeće snimke.
- Ograničenje: točnost jako ovisi o zvuku. Buka, udaljenost od mikrofona, jaki naglasci, stručni izrazi i istodobni govor povećavaju broj pogrešaka.
Glas u tekst, govor u tekst, diktiranje i transkripcija
Glas u tekst i govor u tekst znače isto. Diktiranje je jedan zadatak koji se time može obaviti (govor u tekstno polje), a transkripcija drugi (pretvaranje snimke u pisani zapis). «Prepoznavanje glasa» razlikuje se: utvrđuje tko govori.
W3C-ova inicijativa za pristupačnost weba koristi «prepoznavanje govora» za pretvaranje riječi u tekst, a «prepoznavanje glasa» ili «govornika» za tehnologiju koja prepoznaje govornika, a ne riječi.
| Pojam | Uobičajeno značenje | Tipičan rezultat |
|---|---|---|
| Glas u tekst | Svakodnevni naziv za pretvaranje govora u tekst | Tekst na zaslonu ili u datoteci |
| Govor u tekst (STT) | Ista ideja; uobičajen izraz u softverskoj dokumentaciji | Tekst, često s vremenskim oznakama |
| Automatsko prepoznavanje govora (ASR) | Tehničko područje i model u njegovoj osnovi | Najvjerojatniji niz riječi |
| Diktiranje ili tipkanje glasom | Govor u tekstno polje umjesto tipkanja | Tekst na mjestu pokazivača |
| Transkripcija | Pisani zapis snimke ili događaja | Transkript koji možete urediti, pretražiti i izvesti |
| Titlovi uživo | Tekst u stvarnom vremenu dok se zvuk reproducira | Titlovi na zaslonu, obično nespremljeni |
| Prepoznavanje glasa ili govornika | Utvrđivanje tko govori | Oznaka govornika, a ne riječi |
Svako diktiranje jest pretvaranje glasa u tekst, ali svako pretvaranje glasa u tekst nije diktiranje. Intervju od 90 minuta treba transkripciju; odgovor na e-poštu bez ruku treba diktiranje.
Kako radi pretvaranje glasa u tekst?
Svaki sustav snima zvuk, pretvara ga u numeričke značajke, koristi trenirani model za najvjerojatnije riječi i oblikuje rezultat. Tijekom posljednjeg desetljeća promijenio se način izrade modela.
- Snimanje. Mikrofon ili audiodatoteka daje digitalni signal. Dokumentacija Google Cloud Speech-to-Text preporučuje snimanje na 16,000 Hz kad možete birati. Niže frekvencije mogu smanjiti točnost, a više ne donose zamjetnu razliku.
- Izdvajanje značajki. Signal se dijeli na kratke okvire i pretvara u značajke, obično spektrogram koji prikazuje promjenu energije zvuka po frekvencijama tijekom vremena.
- Prepoznavanje. Model povezuje značajke s najvjerojatnijim nizom riječi.
- Oblikovanje. Sustav dodaje interpunkciju, velika slova i ponekad vremenske oznake ili oznake govornika.
Klasični pristup: akustički i jezični model
Desetljećima je prepoznavanje govora bilo podijeljeno na odvojene dijelove. Pregled prepoznavanja govora od početka do kraja iz 2023. opisuje klasični sustav kroz četiri sastavnice: izdvajanje akustičkih značajki, akustičko i jezično modeliranje te pretraživanje koje bira najbolji ukupni odgovor.
- Akustički model procjenjuje koji su glasovi u svakom isječku zvuka. Klasični sustavi koristili su skrivene Markovljeve modele za različite brzine govora.
- Rječnik izgovora povezuje glasove s riječima.
- Jezični model ocjenjuje vjerojatnost nizova riječi pa sustav bira smislen izraz umjesto besmislenog niza sličnog zvuka.
Suvremeni pristup: modeli od početka do kraja
Noviji sustavi uglavnom su modeli od početka do kraja: jedna neuronska mreža uči cijelo preslikavanje zvuka u tekst na transkribiranom govoru. Isti pregled navodi da je duboko učenje smanjilo stope pogrešaka riječi za više od 50% u odnosu na ranije modeliranje i da su takvi modeli postali vodeći pristup. OpenAI Whisper poznat je primjer; objašnjavamo ga u vodiču što je Whisper AI.
| Klasični postupak | Model od početka do kraja | |
|---|---|---|
| Struktura | Odvojeni akustički model, rječnik izgovora i jezični model | Jedna neuronska mreža od zvuka do teksta |
| Potrebno za treniranje | Ručno izrađeni popisi riječi i fonema te nekoliko faza treniranja | Velike količine transkribiranog govora |
| Tipična slabost | Odvojeno trenirani dijelovi mogu povećati pogreške i troškove | Treba mnogo transkribiranog govora; teže je iskoristiti samo tekstne podatke |
| Poznavanje jezika | Zaseban jezični model | Naučeno unutar mreže; može se dodati vanjski model |
Transkripcija uživo i iz datoteke: koja je razlika?
Pretvaranje glasa u tekst uživo (streaming) prikazuje tekst dok osoba govori, što odgovara diktiranju i titlovima uživo. Transkripcija datoteke (grupna obrada) obrađuje gotovu snimku i zatim vraća cijeli transkript, što odgovara intervjuima, sastancima i predavanjima.
Google Cloud Speech-to-Text ima tri vrste zahtjeva: sinkroni za zvuk od 1 minute ili manje, asinkroni za datoteke do 480 minuta i streaming koji vraća privremene rezultate dok korisnik govori. Microsoft Azure Speech slično razlikuje transkripciju u stvarnom vremenu, brzu i grupnu transkripciju (oba izvora provjerena u studenome 2026.).
| Glas u tekst uživo (streaming) | Transkripcija datoteke (grupna) | |
|---|---|---|
| Kada se tekst pojavljuje | Dok govorite; privremene riječi mogu se promijeniti kako stiže zvuk | Nakon obrade snimke |
| Tipične primjene | Diktiranje, titlovi uživo, glasovni asistenti | Intervjui, sastanci, predavanja, podcasti, videotitlovi |
| Što zadržavate | Ono što dospije u tekstno polje ili prozor titlova | Transkript koji možete urediti i izvesti |
| Glavni kompromis | Brzina prije dotjeranosti | Čekate, ali možete ponovno obraditi datoteku s drugim postavkama |
Praktično pravilo: ako riječi nikome ne trebaju odmah, snimite čist zvuk i transkribirajte datoteku. Zadržavate izvornik i možete provjeriti svaki redak prema njemu.
Za što se koristi pretvaranje glasa u tekst?
Koristi se za pisanje bez tipkanja, pretvaranje snimki u pretražive bilješke, titlovanje videa i pristupačnost govornog sadržaja. Microsoftova dokumentacija navodi i upotrebu u kontaktnim centrima, poput analize nakon poziva.
| Primjena | Uobičajeni način |
|---|---|
| Pisanje e-pošte, poruka i nacrta glasom | Diktiranje uživo |
| Bilješke sa sastanaka i intervjua | Transkripcija datoteke ili uživo za brze bilješke |
| Bilješke s predavanja i seminara | Snimanje, zatim transkripcija datoteke |
| Titlovi za video | Transkripcija datoteke i izvoz SRT ili VTT |
| Glasovne bilješke i snimljeni pozivi | Transkripcija datoteke |
| Pristupačnost za gluhe i nagluhe osobe ili osobe koje ne mogu koristiti tipkovnicu | Titlovi uživo i diktiranje |
Naš vodič o aplikacijama za snimanje predavanja obrađuje nastavu.
Gdje pronaći glas u tekst na mobitelu ili računalu
Većina uređaja već uključuje pretvaranje glasa u tekst za tipkanje: tipka s logotipom Windows + H u Windowsu 11, Dictation na Macu ili iPhoneu ili mikrofon na Googleovoj tipkovnici Gboard na Androidu. Ti alati pišu u trenutačno polje; ne transkribiraju snimke koje već imate.
| Platforma | Ugrađena funkcija | Kako pokrenuti (prema službenoj pomoći) | Treba li internet? (prema stranici) |
|---|---|---|---|
| Windows 11 | Tipkanje glasom | Postavite pokazivač u tekstno polje i pritisnite tipku s logotipom Windows + H | Da. Microsoft kaže da koristi mrežno prepoznavanje Azure Speech |
| Mac | Dictation | Uključite u System Settings, Keyboard, Dictation. Pokrenite tipkom Microphone, prečacem ili Edit, Start Dictation | Ovisi. Postavke tipkovnice prikazuju obrađuje li se opće diktiranje na Macu |
| iPhone | Dictation | Settings, General, Keyboard, Enable Dictation. Zatim dodirnite mikrofon na tipkovnici | Često ne. Apple kaže da se na mnogim jezicima obrađuje na iPhoneu bez interneta |
| Android | Gboard tipkanje glasom | U aplikaciji u kojoj možete tipkati dodirnite mikrofon na vrhu tipkovnice | Nije navedeno na Googleovoj stranici |
Nekoliko detalja sa službenih stranica:
- Windows: Microsoftov vodič za tipkanje glasom opisuje i opcionalnu automatsku interpunkciju.
- Mac: prema Appleovu vodiču za Dictation na Macu, diktiranje prestaje nakon 30 sekundi bez govora, a nesigurne riječi podcrtane su plavo, primjerice «flour» kad ste mislili «flower».
- iPhone: Appleov vodič za Dictation na iPhoneu navodi glasovne naredbe za interpunkciju i izmjene.
- Android: Googleova pomoć za Gboard navodi da tipkanje glasom ne radi na svim jezicima te da neki koraci trebaju Android 7.0 ili noviji.
Nazivi izbornika mijenjaju se među verzijama, stoga slijedite pomoć za svoj uređaj.
Koliko je pretvaranje glasa u tekst točno i koja su ograničenja?
Na čistom zvuku jedne osobe blizu mikrofona suvremeni sustavi točno prepoznaju većinu riječi. Točnost pada zbog buke, udaljenosti, jakih naglasaka, stručnog rječnika i preklapanja govornika. Ne postoji jedna univerzalna brojka; snimka je važna koliko i softver.
Standardna mjera je stopa pogrešaka riječi (WER): broj zamijenjenih, izostavljenih ili dodanih riječi podijeljen brojem riječi u transkriptu koji je provjerila osoba. Naš članak koliko je Whisper točan prikazuje koliko WER varira između čistih audioknjiga i sastanaka snimljenih udaljenim mikrofonom.
| Ograničenje | Zašto nastaje | Što pomaže |
|---|---|---|
| Naglasci i dijalekti | Neki su naglasci mnogo rjeđi u podacima za treniranje | Odaberite odgovarajuću regionalnu varijantu; testirajte kratak isječak |
| Buka i udaljenost | Buka i jeka zamagljuju govorni signal | Približite se mikrofonu, koristite tihu prostoriju ili slušalice s mikrofonom |
| Stručni izrazi, imena i rijetke riječi | Modeli daju prednost čestim riječima | Prilagođeni popisi riječi (Microsoft ih zove popisima fraza) ili provjera imena i brojeva |
| Više govornika i preklapanje | Preklopljene glasove teško je razdvojiti; označavanje govornika zaseban je zadatak, diarizacija | Jedna osoba govori u trenutku; provjerite oznake |
| Telefonski ili nekvalitetan zvuk | Google navodi da većina starog telefonskog zvuka ima 8,000 Hz, što može smanjiti točnost | Snimajte kvalitetnije; povećanje frekvencije uzorkovanja ne popravlja stari zvuk |
| Riječi sličnog zvuka | «Flour» i «flower» zvuče jednako na engleskom | Pročitajte tekst prije slanja |
Dvije navike otkrivaju većinu pogrešaka: provjerite svako ime, broj i tehnički izraz prema zvuku i smatrajte titlove uživo vodičem, a ne zapisom.
Glas u tekst za pristupačnost
Ova tehnologija pomaže u dva smjera. Diktiranje omogućuje pisanje govorom; W3C među osobama koje o njemu ovise navodi osobe s tjelesnim invaliditetom, ozljedama zbog ponavljajućih pokreta te kognitivnim ili teškoćama u učenju. Titlovi i transkripti omogućuju gluhim i nagluhim osobama praćenje zvuka.
W3C na stranici o oštećenjima sluha kaže da zvučni sadržaj treba alternative poput transkripata i titlova. Upozorava i da su automatski titlovi obično previše netočni da bi bili pouzdana alternativa jer izostavljaju stručne izraze i spajaju rečenice. Rješenje je pregled i ispravak prije objave. Naš vodič subtitles i captions objašnjava oba formata.
Mobiteli također imaju alate uživo. Apple Live Captions (iPhone 11 ili noviji) transkribira zvuk aplikacija ili prostorije u stvarnom vremenu; Apple kaže da se na njega ne treba oslanjati u visokorizičnim ili hitnim situacijama. Google Live Transcribe na Androidu prikazuje govor i zvukove kao tekst te treba internet osim ako koristite izvanmrežni jezik.
Kako odabrati alat za glas u tekst: 5 kriterija
Počnite od potrebnog rezultata. Za brzu poruku dovoljno je ugrađeno diktiranje. Za dugu snimku procijenite alate prema ovih pet točaka.
- Uživo ili snimljeno? Tipkanje glasom treba diktiranje u aplikacijama. Postojeće snimke trebaju alat koji prihvaća datoteke i možda poveznice.
- Podrška jeziku i naglasku. Provjerite jesu li vaš jezik i regionalna varijanta navedeni za željeni način; uživo i datoteke ne moraju se podudarati.
- Kamo ide zvuk. Neki alati obrađuju govor na uređaju, drugi ga šalju poslužitelju. Pročitajte pravila privatnosti prije učitavanja osjetljivih snimki i prije snimanja drugih pribavite potrebne pristanke i dopuštenje organizatora.
- Što dobivate. Potražite oznake govornika, vremenske oznake, uređivač i izvoz poput DOCX, TXT, SRT ili VTT.
- Ograničenja trajanja i cijena. Provjerite najdulju datoteku, najveće učitavanje i kako cijena raste sa satima zvuka.
Ako je proračun najvažniji, naš pregled najboljeg besplatnog softvera za transkripciju uspoređuje besplatne razine.
Gdje se uklapa whispertranscribe.ai
whispertranscribe.ai usluga je u pregledniku za pretvaranje snimki u tekst, s transkripcijom mikrofona uživo. Nije alat za diktiranje: ne tipka u druge aplikacije i nema aplikaciju za računalo. Prema našim stranicama proizvoda:
- Učitajte snimke. Koristite glas u tekst online za audio i videodatoteke poput MP3, WAV, M4A, MP4 i MOV, do 5GB i 10 sati. Transkripcija datoteka obuhvaća više od 130 jezika, uz opcionalno prepoznavanje govornika.
- Transkribirajte iz poveznice. Zalijepite YouTube, Vimeo, Google Drive ili Dropbox poveznicu u transkripciju s URL-a.
- Snimajte u pregledniku. Snimite i transkribirajte glas bez instalacije ili učitajte glasovne bilješke.
- Transkripcija uživo. Stranica za transkripciju uživo snima mikrofon i prikazuje govor kao tekst u stvarnom vremenu. Birate jezik i mikrofon te možete uključiti prepoznavanje govornika. Popis jezika kraći je nego za učitavanje datoteka.
- Izvoz. DOCX, PDF, SRT, VTT, TXT i CSV; AI generator titlova izrađuje datoteke titlova. Podržani su i snimljeni pozivi: pogledajte transkripciju telefonskih poziva.
Točnost doseže do 99% na čistom zvuku; buka, jaki naglasci i preklapanje je smanjuju. Plaćeni planovi počinju od $9.99 mjesečno uz godišnju naplatu (cijene), a možete početi besplatno bez računa. Cijeli popis nalazi se na stranici značajki.
Česta pitanja
Jesu li glas u tekst i govor u tekst isto?
Da. Oba naziva označavaju istu tehnologiju: softver koji čuje govor i pretvara ga u tekst koji se može uređivati. «Govor u tekst» češći je naziv u dokumentaciji za programere Googlea i Microsofta, dok ljudi često pretražuju «glas u tekst». Oba se oslanjaju na automatsko prepoznavanje govora. Zaseban je pojam «prepoznavanje glasa», koji W3C koristi za utvrđivanje tko govori, a ne što je rekao.
Je li glas u tekst isto što i diktiranje?
Ne sasvim. Diktiranje je jedna primjena: govorite u tekstno polje i riječi se pojavljuju na pokazivaču, kao kod Windows tipkanja glasom ili Apple Dictationa. Glas u tekst uključuje i transkripciju, gdje cijela snimka intervjua, predavanja ili sastanka postaje uređivi transkript. Za pisanje novog teksta koristite diktiranje. Ako već imate zvuk i trebate pisani zapis, koristite alat za transkripciju.
Treba li internetska veza?
Ovisi o alatu. Microsoft kaže da Windows tipkanje glasom treba internet jer koristi mrežno prepoznavanje. Apple kaže da se iPhone Dictation na mnogim jezicima obrađuje na uređaju bez interneta, a postavke tipkovnice na Macu prikazuju obrađuje li se diktiranje na Macu. Google Live Transcribe treba internet osim ako koristite izvanmrežni jezik. Uslugama u oblaku, uključujući one u pregledniku, potrebna je veza za učitavanje i obradu zvuka.
Je li pretvaranje glasa u tekst besplatno?
Osnovna funkcija besplatna je na većini uređaja. Windows, macOS, iOS i Android uključuju tipkanje glasom ili diktiranje bez dodatne naplate, premda podrška jezicima varira. Troškovi obično počinju kod dugih snimki: mnoge usluge nude besplatnu probu ili razinu, a zatim naplaćuju po satima zvuka ili pretplatom. Prije plaćanja provjerite najdulju datoteku, najveće dopušteno učitavanje, podržane jezike i izvozne formate plana.
Koliko je glas u tekst točan?
Na čistom zvuku jednog govornika blizu mikrofona suvremeni sustavi točno prepoznaju većinu riječi, ali ne postoji univerzalna brojka. Pogreške rastu zbog buke, jeke, udaljenosti, jakih naglasaka, tehničkog rječnika i preklapanja. Uobičajena mjera je stopa pogrešaka riječi koja broji zamijenjene, nedostajuće i dodatne riječi. Uvijek provjerite imena, brojeve i stručne izraze prema zvuku prije oslanjanja na transkript.
Može li glas u tekst utvrditi tko govori?
Neki alati mogu. Označavanje tko je kada govorio zaseban je korak nazvan diarizacija govornika i nema ga svaki alat. Ugrađeno diktiranje pretpostavlja jednog govornika: vas. Usluge transkripcije često dodaju oznake; Microsoft Azure Speech, primjerice, dokumentira diarizaciju do 35 govornika. Oznake najbolje rade kad se glasovi razlikuju i ljudi ne govore istodobno, pa ih provjerite kod sličnih glasova ili preklapanja.
Imate snimku koju želite pretvoriti u tekst? Učitajte je na whispertranscribe.ai i dobit ćete transkript na više od 130 jezika uz izvoz DOCX, PDF, SRT i VTT.
Izvori
- Google Cloud: Pregled Cloud Speech-to-Text (provjereno u studenome 2026.)
- Microsoft Learn: Što je govor u tekst? (Azure Speech) (provjereno u studenome 2026.)
- Prabhavalkar, Hori, Sainath, Schlüter, Watanabe: Pregled prepoznavanja govora od početka do kraja (arXiv 2303.03329)
- W3C WAI: Prepoznavanje govora i Oštećenja sluha
- Microsoft Support: Tipkanje glasom na računalu
- Apple Support: Diktiranje poruka i dokumenata na Macu i Diktiranje teksta na iPhoneu
- Google: Gboard pomoć, tipkanje glasom
