Čo je prevod hlasu na text? Ako funguje a kedy ho použiť

Autor: redakcia whispertranscribe.ai · Aktualizované: november 2026 · Čítanie: 12 minút · Kategória: Základy prepisu

Čo je prevod hlasu na text? Je to softvér, ktorý počúva hovorené slová a zapisuje ich ako upraviteľný text. Nazýva sa aj prevod reči na text alebo automatické rozpoznávanie reči (ASR). Existuje v dvoch podobách: naživo, keď sa slová objavujú počas hovorenia, a zo záznamu, keď sa hotový zvukový alebo videosúbor zmení na prepis.

Na úvod: vytvárame whispertranscribe.ai, službu prepisu v prehliadači. Tvrdenia o fungovaní technológie odkazujú na Google, Microsoft, Apple, W3C alebo vedecký prehľad, nie na náš marketing.

Stručná odpoveď: čo je prevod hlasu na text?

Prevod hlasu na text automaticky mení reč na text: na vstup príde zvuk, model rozpoznávania reči vyberie najpravdepodobnejšie slová a softvér pridá interpunkciu.

  • Ďalšie názvy: prevod reči na text, rozpoznávanie reči, ASR, hlasové písanie, diktovanie textu.
  • Dva režimy: živý (streamovanie) na písanie a titulky a zo súboru (dávkový) pre existujúce nahrávky.
  • Obmedzenie: presnosť výrazne závisí od zvuku. Šum, vzdialenosť mikrofónu, výrazné prízvuky, odborné výrazy a súbežná reč zvyšujú počet chýb.

Prevod hlasu a reči na text, diktovanie a prepis

Prevod hlasu na text a prevod reči na text znamenajú to isté. Diktovanie je jedna činnosť, ktorú umožňuje (hovorenie do textového poľa), a prepis druhá (premena nahrávky na písomný záznam). „Rozpoznávanie hlasu“ je iné: určuje, kto hovorí.

Iniciatíva W3C pre prístupnosť webu používa „rozpoznávanie reči“ na premenu slov na text a „rozpoznávanie hlasu“ alebo „hovoriaceho“ pre technológiu, ktorá identifikuje hovoriaceho, nie slová.

Pojem Čo zvyčajne znamená Typický výstup
Hlas na text Bežný názov premeny reči na text Text na obrazovke alebo v súbore
Reč na text (STT) Rovnaký princíp; bežný názov v dokumentácii softvéru Text, často s časovými značkami
Automatické rozpoznávanie reči (ASR) Technická oblasť a model v jej základe Najpravdepodobnejšia postupnosť slov
Diktovanie alebo hlasové písanie Hovorenie do textového poľa namiesto písania Text na mieste kurzora
Prepis Písomný záznam nahrávky alebo udalosti Prepis, ktorý môžete upraviť, prehľadávať a exportovať
Živé titulky Text v reálnom čase počas prehrávania zvuku Titulky na obrazovke, zvyčajne sa neukladajú
Rozpoznávanie hlasu alebo hovoriaceho Určenie, kto hovorí Označenie hovoriaceho, nie slová

Každé diktovanie je prevod hlasu na text, ale nie každý prevod hlasu na text je diktovanie. Rozhovor trvajúci 90 minút potrebuje prepis; odpoveď na e-mail bez rúk potrebuje diktovanie.

Ako funguje prevod hlasu na text?

Každý systém zaznamená zvuk, premení ho na číselné príznaky, pomocou natrénovaného modelu nájde najpravdepodobnejšie slová a upraví výsledok. Za posledné desaťročie sa zmenil spôsob tvorby modelu.

  1. Záznam. Mikrofón alebo zvukový súbor poskytuje digitálny signál. Dokumentácia Google Cloud Speech-to-Text odporúča záznam pri 16,000 Hz, ak si môžete vybrať. Nižšie frekvencie môžu znížiť presnosť a vyššie neprinášajú citeľný rozdiel.
  2. Extrakcia príznakov. Signál sa rozdelí na krátke rámce a premení na príznaky, zvyčajne spektrogram zobrazujúci zmenu energie zvuku medzi frekvenciami v čase.
  3. Rozpoznanie. Model priradí príznakom najpravdepodobnejšiu postupnosť slov.
  4. Formátovanie. Systém pridá interpunkciu, veľké písmená a niekedy časové značky alebo označenia hovoriacich.

Klasický prístup: akustický a jazykový model

Desaťročia sa rozpoznávanie reči delilo na samostatné časti. Prehľad rozpoznávania reči od začiatku po koniec z roku 2023 opisuje klasický systém štyrmi zložkami: extrakcia akustických príznakov, akustické a jazykové modelovanie a vyhľadávanie, ktoré vyberie najlepšiu celkovú odpoveď.

  • Akustický model odhaduje, ktoré hlásky sú v jednotlivých úsekoch zvuku. Klasické systémy používali skryté Markovove modely na zvládnutie rôznych rýchlostí reči.
  • Výslovnostný slovník spája tieto hlásky so slovami.
  • Jazykový model hodnotí pravdepodobnosť postupností slov, takže systém uprednostní zmysluplný výraz pred podobne znejúcou nezmyselnou postupnosťou.

Moderný prístup: modely od začiatku po koniec

Novšie systémy sú prevažne end-to-end: jedna neurónová sieť sa z prepisovanej reči naučí celé mapovanie zvuku na text. Ten istý prehľad uvádza, že hlboké učenie znížilo mieru chybovosti slov o viac ako 50% oproti staršiemu modelovaniu a že modely end-to-end sa stali hlavným prístupom. Známy príklad je Whisper od OpenAI; vysvetľujeme ho v návode čo je Whisper AI.

Klasický postup Model end-to-end
Štruktúra Samostatný akustický model, výslovnostný slovník a jazykový model Jedna neurónová sieť od zvuku po text
Čo potrebuje na tréning Ručne vytvorené zoznamy slov a foném a viac fáz tréningu Veľké množstvo prepísanej reči
Typická slabina Samostatne trénované časti môžu zvýšiť chyby a náklady Potrebuje veľa prepísanej reči; ťažšie využíva čisto textové údaje
Znalosť jazyka Samostatný jazykový model Naučená v sieti; možno pridať externý model

Živý prepis a prepis súboru: aký je rozdiel?

Živý prevod hlasu na text (streamovanie) zobrazuje text, kým človek ešte hovorí, čo sa hodí na diktovanie a živé titulky. Prepis súboru (dávkový) spracuje hotovú nahrávku a potom vráti celý prepis, čo sa hodí na rozhovory, stretnutia a prednášky.

Google Cloud Speech-to-Text má tri typy požiadaviek: synchrónnu pre zvuk do 1 minúty, asynchrónnu pre súbory do 480 minút a streamovanie, ktoré vracia priebežné výsledky, kým používateľ hovorí. Dokumentácia Microsoft Azure Speech podobne rozlišuje prepis v reálnom čase, rýchly a dávkový prepis (oba zdroje overené v novembri 2026).

Živý prevod hlasu na text (streamovanie) Prepis súboru (dávkový)
Kedy sa text objaví Počas hovorenia; priebežné slová sa môžu s ďalším zvukom zmeniť Po spracovaní nahrávky
Typické použitie Diktovanie, živé titulky, hlasoví asistenti Rozhovory, stretnutia, prednášky, podcasty, videotitulky
Čo si ponecháte To, čo sa dostane do textového poľa alebo okna titulkov Prepis, ktorý môžete upraviť a exportovať
Hlavný kompromis Rýchlosť namiesto uhladenosti Čakáte, ale môžete súbor opäť spracovať s inými nastaveniami

Praktické pravidlo: ak nikto nepotrebuje slová ihneď, nahrajte čistý zvuk a prepíšte súbor. Ponecháte si originál a každý riadok môžete podľa neho skontrolovať.

Na čo sa používa prevod hlasu na text?

Ľudia ho používajú na písanie bez klávesnice, premenu nahrávok na prehľadávateľné poznámky, titulkovanie videa a sprístupnenie hovoreného obsahu. Dokumentácia Microsoftu uvádza aj kontaktné centrá, napríklad analýzu po hovore.

Použitie Obvyklý režim
Písanie e-mailov, správ a návrhov hlasom Živé diktovanie
Poznámky zo stretnutí a rozhovorov Prepis súboru alebo živý prepis pre rýchle poznámky
Poznámky z prednášok a seminárov Nahrávanie, potom prepis súboru
Titulky a titulky pre prístupnosť vo videu Prepis súboru s exportom SRT alebo VTT
Hlasové poznámky a nahrané hovory Prepis súboru
Prístupnosť pre nepočujúcich, nedoslýchavých alebo ľudí, ktorí nemôžu používať klávesnicu Živé titulky a diktovanie

Náš návod na aplikácie na nahrávanie prednášok sa venuje použitiu v triede.

Kde nájsť prevod hlasu na text v telefóne alebo počítači

Väčšina zariadení už obsahuje hlasové písanie: kláves s logom Windows + H vo Windows 11, Dictation na Macu alebo iPhone, prípadne mikrofón na klávesnici Google Gboard v Androide. Tieto nástroje píšu do aktuálneho poľa; neprepisujú existujúce nahrávky.

Platforma Zabudovaná funkcia Ako začať (podľa oficiálnej pomoci) Treba internet? (podľa stránky)
Windows 11 Hlasové písanie Umiestnite kurzor do textového poľa a stlačte kláves s logom Windows + H Áno. Microsoft uvádza online rozpoznávanie pomocou Azure Speech
Mac Dictation Zapnite v System Settings, Keyboard, Dictation. Spustite klávesom Microphone, skratkou alebo Edit, Start Dictation Závisí. Nastavenia klávesnice ukazujú, či sa všeobecné diktovanie spracuje na Macu
iPhone Dictation Settings, General, Keyboard, Enable Dictation. Potom klepnite na mikrofón klávesnice Často nie. Apple uvádza spracovanie na iPhone bez internetu v mnohých jazykoch
Android Hlasové písanie Gboard V aplikácii, kde môžete písať, klepnite na mikrofón hore na klávesnici Na stránke Google nie je uvedené

Niekoľko detailov z oficiálnych stránok:

  • Windows: návod na hlasové písanie Microsoftu pokrýva aj voliteľnú automatickú interpunkciu.
  • Mac: podľa návodu na Dictation pre Mac od Apple sa diktovanie zastaví po 30 sekundách bez reči a neisté slová sú podčiarknuté modrou, napríklad „flour“, keď ste mysleli „flower“.
  • iPhone: návod na Dictation pre iPhone uvádza hlasové príkazy pre interpunkciu a úpravy.
  • Android: pomocník Gboard od Google uvádza, že hlasové písanie nefunguje vo všetkých jazykoch a niektoré kroky vyžadujú Android 7.0 alebo novší.

Názvy ponúk sa medzi verziami menia, preto sledujte pomocníka pre svoje zariadenie.

Aký presný je prevod hlasu na text a aké má obmedzenia?

Pri čistom zvuku jedného človeka blízko mikrofónu moderné systémy správne rozpoznajú väčšinu slov. Presnosť klesá pri šume, vzdialenosti, výrazných prízvukoch, odbornom slovníku a súbežnej reči. Neexistuje jedna univerzálna hodnota; nahrávka je rovnako dôležitá ako softvér.

Štandardnou mierou je chybovosť slov (WER), ktorá počíta zamenené, vynechané alebo pridané slová a delí ich počtom slov v prepise skontrolovanom človekom. Náš článok ako presný je Whisper ukazuje rozdiely WER medzi čistými audioknihami a záznamami stretnutí so vzdialeným mikrofónom.

Obmedzenie Prečo vzniká Čo pomáha
Prízvuky a dialekty Niektoré prízvuky sa v tréningových údajoch vyskytujú oveľa menej Vyberte správny regionálny variant; skúste krátky záznam
Šum a vzdialenosť Šum a ozvena rozmazávajú rečový signál Priblížte sa k mikrofónu, použite tichú miestnosť alebo náhlavnú súpravu
Žargón, mená a zriedkavé slová Modely uprednostňujú bežné slová Vlastné zoznamy slov (Microsoft ich nazýva zoznamy fráz) alebo kontrola mien a čísel
Viacerí hovoriaci a súbežná reč Prekrývajúce sa hlasy sa ťažko oddeľujú; označovanie hovoriacich je samostatná diarizácia Hovorte po jednom; skontrolujte označenia
Telefónny a nekvalitný zvuk Google uvádza, že väčšina starého telefónneho zvuku má 8,000 Hz, čo môže znížiť presnosť Nahrávajte kvalitnejšie; zvýšenie vzorkovacej frekvencie starý zvuk neopraví
Podobne znejúce slová „Flour“ a „flower“ znejú v angličtine rovnako Pred odoslaním si text prečítajte

Väčšinu chýb zachytia dva návyky: skontrolovať každé meno, číslo a technický výraz podľa zvuku a považovať živé titulky za pomôcku, nie záznam.

Prevod hlasu na text pre prístupnosť

Pomáha dvoma smermi. Diktovanie umožňuje písať hovorením; W3C medzi závislými používateľmi uvádza ľudí s telesným postihnutím, zraneniami z opakovaného zaťaženia a kognitívnymi alebo učebnými ťažkosťami. Titulky a prepisy umožňujú nepočujúcim a nedoslýchavým sledovať zvuk.

W3C na stránke o sluchových postihnutiach uvádza, že zvukový obsah potrebuje alternatívy ako prepisy a titulky. Varuje aj pred tým, že automatické titulky bývajú príliš nepresné na spoľahlivú alternatívu, pretože vynechávajú odborné výrazy a spájajú vety. Riešením je kontrola a oprava pred zverejnením. Náš návod subtitles a captions vysvetľuje oba formáty.

Telefóny majú aj živé nástroje. Apple Live Captions (iPhone 11 alebo novší) prepisuje zvuk aplikácií alebo miestnosti v reálnom čase; Apple upozorňuje, aby ste sa naň nespoliehali v rizikových alebo núdzových situáciách. Google Live Transcribe v Androide zobrazuje reč a zvuky ako text a vyžaduje internet, pokiaľ nepoužívate offline jazyk.

Ako vybrať nástroj na prevod hlasu na text: 5 kritérií

Začnite tým, čo potrebujete vytvoriť. Na rýchlu správu stačí zabudované diktovanie. Pri dlhej nahrávke posúďte nástroje podľa piatich bodov.

  1. Naživo alebo nahraté? Hlasové písanie potrebuje diktovanie v aplikáciách. Existujúce nahrávky potrebujú nástroj prijímajúci súbory a prípadne odkazy.
  2. Podpora jazyka a prízvuku. Overte presný jazyk a regionálny variant pre používaný režim; živý režim a súbory sa nemusia zhodovať.
  3. Kam ide zvuk. Niektoré nástroje spracúvajú reč na zariadení, iné ju posielajú na server. Pred nahratím citlivých záznamov si prečítajte pravidlá súkromia a pred nahrávaním iných získajte potrebné súhlasy a povolenie organizátora.
  4. Čo dostanete. Hľadajte označenia hovoriacich, časové značky, editor a export DOCX, TXT, SRT alebo VTT.
  5. Limity dĺžky a cena. Skontrolujte najdlhší súbor, najväčšie nahratie a rast ceny podľa hodín zvuku.

Ak rozhoduje rozpočet, náš prehľad najlepšieho bezplatného softvéru na prepis porovnáva bezplatné úrovne.

Kam patrí whispertranscribe.ai

whispertranscribe.ai je služba v prehliadači na premenu nahrávok na text so živým prepisom mikrofónu. Nie je to nástroj na diktovanie: nepíše do iných aplikácií a nemá počítačovú aplikáciu. Podľa našich produktových stránok:

  • Nahrajte záznamy. Použite hlas na text online pre zvuk a video ako MP3, WAV, M4A, MP4 a MOV, do 5GB a 10 hodín. Prepis súborov pokrýva viac ako 130 jazykov s voliteľným rozpoznaním hovoriacich.
  • Prepíšte z odkazu. Vložte odkaz YouTube, Vimeo, Google Drive alebo Dropbox do prepisu z URL.
  • Nahrávajte v prehliadači. Nahrajte a prepíšte hlas bez inštalácie alebo nahrajte hlasové poznámky.
  • Živý prepis. Stránka živého prepisu zaznamenáva mikrofón a zobrazuje reč ako text v reálnom čase. Vyberiete jazyk a mikrofón a môžete zapnúť rozpoznanie hovoriacich. Zoznam jazykov je kratší než pri nahrávaní súborov.
  • Exporty. DOCX, PDF, SRT, VTT, TXT a CSV; AI generátor titulkov vytvára súbory titulkov. Fungujú aj nahrané hovory: pozrite si prepis telefónnych hovorov.

Presnosť dosahuje až 99% pri čistom zvuku; šum, výrazné prízvuky a súbežná reč ju znižujú. Platené plány začínajú od $9.99 mesačne pri ročnej platbe (ceny) a môžete začať bezplatne bez účtu. Úplný zoznam je na stránke funkcií.

Časté otázky

Je hlas na text to isté ako reč na text?

Áno. Oba názvy označujú jednu technológiu: softvér, ktorý počúva reč a vytvára upraviteľný text. „Reč na text“ je častejšia v dokumentácii pre vývojárov Google a Microsoftu, zatiaľ čo ľudia často hľadajú „hlas na text“. Oba sa spoliehajú na automatické rozpoznávanie reči. Oddelený pojem je „rozpoznávanie hlasu“, ktorý W3C používa na určenie toho, kto hovorí, nie čo povedal.

Je hlas na text to isté ako diktovanie?

Nie celkom. Diktovanie je jedno použitie: hovoríte do textového poľa a slová sa objavia na kurzore, ako pri hlasovom písaní Windows alebo Apple Dictation. Hlas na text zahŕňa aj prepis, kde celá nahrávka rozhovoru, prednášky alebo stretnutia vznikne ako upraviteľný prepis. Na písanie nového textu použite diktovanie. Ak už máte zvuk a potrebujete písomný záznam, použite nástroj na prepis.

Potrebuje prevod hlasu na text internet?

Závisí od nástroja. Microsoft uvádza, že hlasové písanie vo Windows potrebuje internet, pretože používa online rozpoznávanie. Apple uvádza, že iPhone Dictation sa v mnohých jazykoch spracúva na zariadení bez internetu, a nastavenia klávesnice Macu ukazujú, či sa spracúva na Macu. Google Live Transcribe potrebuje internet, pokiaľ nepoužijete offline jazyk. Cloudové služby prepisu vrátane služieb v prehliadači potrebujú pripojenie na nahratie a spracovanie zvuku.

Je prevod hlasu na text bezplatný?

Základný prevod je na väčšine zariadení bezplatný. Windows, macOS, iOS a Android obsahujú hlasové písanie alebo diktovanie bez príplatku, hoci podpora jazykov sa líši. Náklady obvykle vznikajú pri dlhých nahrávkach: mnohé služby ponúkajú bezplatnú skúšku alebo úroveň a potom účtujú podľa hodín zvuku alebo predplatného. Pred platbou skontrolujte maximálnu dĺžku a veľkosť súboru, podporované jazyky a exportné formáty plánu.

Aký presný je prevod hlasu na text?

Pri čistom zvuku jedného hovoriaceho blízko mikrofónu moderné systémy rozpoznajú väčšinu slov správne, ale univerzálna hodnota neexistuje. Chyby rastú pri šume, ozvene, vzdialenosti, výrazných prízvukoch, technickom slovníku a súbežnej reči. Bežná miera je chybovosť slov, ktorá počíta zamenené, chýbajúce a pridané slová. Pred spoliehaním sa na prepis vždy skontrolujte mená, čísla a odborné výrazy podľa zvuku.

Dokáže prevod hlasu na text určiť, kto hovorí?

Niektoré nástroje áno. Označovanie, kto kedy hovoril, je samostatný krok nazývaný diarizácia hovoriacich a nie každý nástroj ho obsahuje. Zabudované diktovanie predpokladá jedného hovoriaceho: vás. Služby prepisu často pridávajú označenia; Microsoft Azure Speech napríklad dokumentuje diarizáciu až 35 hovoriacich. Označenia fungujú najlepšie pri odlišných hlasoch bez prekrývania, preto ich skontrolujte pri podobných hlasoch alebo súbežnej reči.


Máte nahrávku, ktorú chcete premeniť na text? Nahrajte ju na whispertranscribe.ai a získajte prepis vo viac ako 130 jazykoch s exportom DOCX, PDF, SRT a VTT.

Zdroje

Chcete previesť svoje nahrávky na text?

Prepisujte zvuk a video pomocou whispertranscribe.ai.

Začať s prepisom ↗