Dva dny před prezidentskými primárkami v New Hampshiru v lednu 2024 začaly stovkám voličů zvonit telefony. Na druhém konci byl hlas, který zněl přesně jako Joe Biden, a radil jim, ať k volbám vůbec nechodí. Nikdo takový hovor nenahrál. Hlas byl vygenerovaný. Politický konzultant Steve Kramer za akci od Federální komunikační komise dostal navrženou pokutu šest milionů dolarů, podle dostupných informací mu k tomu posloužil nástroj ElevenLabs.

Tenhle případ oběhl svět jako varování, ale je to jen jedna, hodně temná ukázka z mnohem širší oblasti. Stejná technologie, která dokázala napodobit hlas prezidenta, dnes běžně namlouvá audioknihy, generuje hudbu na pozadí videí nebo přepisuje hodinový rozhovor do textu za pár minut. Tenhle přehled ukazuje, jak generování hlasu, hudby a přepis řeči funguje, jaké nástroje dnes v oboru vedou a kde je na místě obezřetnost.

Jak vzniká hlas, který nikdy nikdo nenahrál

Staré textové čtečky, jaké znáte z navigací nebo čteček obrazovky, skládaly věty z předem nahraných slabik. Poznali jste je na první poslech: monotónní, s podivným důrazem uprostřed slova.

Dnešní generátory hlasu pracují jinak. Model se natrénuje na obrovském množství nahrané řeči a učí se, jak text převést na zvukovou vlnu i s přirozeným tempem, melodií věty a pauzami. Výsledek se od skutečné nahrávky často nedá rozeznat, hlavně u kratších úseků textu.

Rozdíl mezi starým a novým přístupem je podobný jako mezi skládačkou z hotových dílků a malířem, který každý tah štětce přizpůsobí tomu, co namaloval před chvílí. Skládačka je rychlá, ale vidíte spáry. Malíř potřebuje víc trénování, zato výsledek působí vcelku.

Ne všechno je hotová nahrávka, něco běží živě

Zatím jsme mluvili o zvuku, který vznikne předem a pak se přehraje. Vedle toho existuje i varianta, která pracuje v reálném čase: hlas se mění za pochodu, s prodlevou kratší než vteřina. Streameři a takzvaní VTubeři tímhle způsobem mluví jedním hlasem, ale posluchač slyší úplně jiný, třeba hlubší mužský hlas přeměněný na dětský nebo naopak.

Podobný princip stojí za experimenty s živým tlumočením. Microsoft i Google už několik let testují funkce, které v reálném čase přeloží řeč z videohovoru do jiného jazyka a přehrají ji hlasem podobným původnímu mluvčímu. Zpoždění a plynulost se rok od roku zlepšují, dokonalé to ale ještě není: u delších vět se tlumočení občas zpozdí nebo si s intonací neporadí tak dobře jako profesionální tlumočník po telefonu.

Klonování hlasu stačí i z pár vteřin

Nejdál v tomhle oboru dotáhla americko-britská firma ElevenLabs, založená 2022, která se v posledních kolech financování dostala na hodnotu v řádu miliard dolarů. Její nástroj na takzvané instantní klonování hlasu si vystačí s asi minutou nahraného zvuku. Nahrajete krátký úryvek vlastního hlasu a model z něj odvodí barvu, tempo i typické zabarvení natolik, že dokáže „domluvit” věty, které jste nikdy neřekli.

Pro vyšší věrnost, třeba u profesionálního dabingu, existuje varianta s delším tréninkem, která pracuje s půlhodinou i více nahrávek. Čím víc zvukového materiálu, tím přesněji model zachytí drobné návyky konkrétního hlasu, třeba jak někdo protahuje samohlásky na konci vět.

Využití má i lidskou stránku, o které se mluví míň než o deepfacích. Apple v roce 2023 představil funkci Personal Voice: člověk nahraje patnáct minut vět do telefonu a systém si jeho hlas uloží. Hodí se to lidem s nemocemi, jako je ALS, kteří postupně přicházejí o schopnost mluvit. Než hlas úplně ztratí, uloží si ho, a telefon jim ho pak čte místo nich, pořád jejich vlastní barvou.

Kromě ElevenLabs se v klonování a čtení textu nahlas etablovaly i další jména. Murf cílí hlavně na firemní prezentace a e-learning, kde stačí kvalitní hlas bez nutnosti řešit dabing celého filmu. Resemble AI se profiluje na herní studia a aplikace, které potřebují stovky replik pro postavu, ne jen pár vět. PlayHT zase láká nižší cenou pro tvůrce, kteří generují dlouhé texty pravidelně, třeba čtenáře článků na blog.

Jak vypadá rozdíl mezi dobrým a špatným zadáním

Kvalita výstupu se hodně odvíjí od toho, jak konkrétně zadání napíšete, podobně jako u generátorů obrázků nebo textu. Prosté „přečti tuhle větu” model splní doslovně, ale bez emocí, s plochou intonací. Zadání „přečti tuhle větu jako zpravodaj v hlavních zprávách, klidně, s mírným důrazem na poslední slovo” dá modelu jasnější vodítko, kam s tónem hlasu mířit. U delších textů navíc pomáhá rozdělit zadání na kratší úseky a zkontrolovat každý zvlášť, protože model občas ztratí tempo uprostřed dlouhého odstavce.

Hudba, kterou nikdo nezahrál na žádný nástroj

Podobný princip, jen aplikovaný na hudbu, stojí za nástroji Suno a Udio. Suno, firma z Cambridge v Massachusetts, spustila svůj generátor v roce 2023. Napíšete žánr, náladu, případně text písně, a model do minuty vytvoří kompletní skladbu i se zpěvem, aniž by kdokoliv zahrál jedinou notu.

Model se ke skladbě dostane podobně jako generátor obrázků k obrázku: trénuje se na obrovském množství existující hudby a učí se, jak zvuk pravděpodobně pokračuje dál, takt po taktu, tón po tónu. Výsledek nekopíruje jednu konkrétní píseň, skládá nový zvuk podle naučených vzorů.

Právě tréninková data se stala příčinou sporu, který obor pořádně zamíchal. V červnu 2024 podala velká hudební vydavatelství, Sony Music, Universal Music a Warner Music, žalobu na Suno i Udio kvůli tomu, že modely podle žalobců trénovaly na chráněných nahrávkách bez svolení.

Spor se od té doby posunul od soudní síně k vyjednávání. Suno v listopadu 2025 oznámilo partnerství s vydavatelstvím Warner Music Group, tedy s jedním z původních žalobců. Pro běžného uživatele z toho plyne jedno praktické doporučení: podmínky, za kterých smíte vygenerovanou skladbu použít, a hlavně jestli ji smíte použít komerčně, si ověřte v aktuálním licenčním ujednání konkrétní služby, protože se v posledních měsících měnily.

Rozdíl proti generování hlasu je v tom, co model zpracovává najednou. U řeči stačí zachytit slova a intonaci jedné osoby. U hudby model skládá dohromady zpěv, několik nástrojů, rytmus a jejich vzájemné sladění, což je výpočetně mnohem náročnější úloha. Proto se generátory hudby i dnes občas „zamotají” u delších skladeb: refrén se zopakuje s mírně jiným textem, nebo nástroj v pozadí na pár vteřin zmizí a zase se vrátí.

Přepis řeči zvládne i hodinu rozhovoru za pár minut

Opačný směr, tedy převod mluveného slova na text, zažil velký skok díky modelu Whisper, který OpenAI v roce 2022 zveřejnila zdarma a s otevřeným kódem. Whisper se trénoval na 680 tisících hodin nahrávek v desítkách jazyků, včetně češtiny, a jeho přesnost posunula automatický přepis o třídu výš.

Na podobném principu staví i nástroje jako Otter.ai nebo přepisovací funkce v Descriptu, který jde ještě o krok dál: video nebo podcast necháte přepsat do textu a pak stříháte přímo v něm, smažete slovo v textu a program vyřízne odpovídající kousek zvuku. Novinář si tak zvládne hodinový rozhovor prohledat za pár minut místo přehrávání celé nahrávky, redaktor podcastu ušetří čas na hrubém sestřihu.

Přesnost přepisu ovlivňuje hlavně kvalita zvuku a míra, s jakou se lidé v nahrávce překrývají. Čistá nahrávka jednoho mluvčího do mikrofonu dopadne skoro bezchybně. Hlučná restaurace, tři lidé mluvící přes sebe nebo silný přízvuk přesnost citelně sníží, a výstup je pak potřeba ručně projít a opravit, ne slepě převzít.

Jak vypadá celý řetězec od nahrávky k hotovému dílu

Nejlíp se síla těchto nástrojů ukáže, když je poskládáte za sebe, ne jednotlivě. Typický postup domácího podcastera dnes vypadá takhle: nahrávka vznikne na běžný USB mikrofon, Adobe Podcast Enhance z ní odstraní ozvěnu pokoje a hukot ventilátoru na pozadí, Descript ji přepíše a umožní vystříhat plané řeči přímo v textu, a na závěr generátor hudby domaluje pár vteřin znělky na úvod a konec dílu.

Před pěti lety by ten samý výsledek vyžadoval zvukové studio, zkušeného střihače a licencovanou znělku od hudebníka. Dnes to jeden člověk zvládne večer u kuchyňského stolu. Kvalita se samozřejmě liší, profesionální produkce pozná rozdíl, běžný posluchač ho ve sluchátkách na cestě do práce obvykle nezaznamená.

Kdo dnes v oboru vede

Nabídka nástrojů na zvuk se mění rychle, ale pár jmen se drží na vrcholu už delší dobu.

ElevenLabs pokrývá klonování hlasu, čtení textu nahlas i strojový dabing videí do jiných jazyků při zachování barvy původního mluvčího. Suno a Udio vedou v generování hudby, byť právě u nich se licenční podmínky po sporu s vydavatelstvími nejvíc měnily. Whisper od OpenAI zůstává bezplatným standardem pro přepis řeči, na kterém staví řada dalších aplikací. Adobe nabízí nástroj Podcast Enhance, který ze zvuku nahraného na levný mikrofon v obýváku udělá znějící téměř jako ze studia, potlačí ozvěnu a šum na pozadí.

Zajímavou kombinaci předvedl Google na podzim roku 2024 s funkcí Audio Overview v nástroji NotebookLM: nahrajete dokument, prezentaci nebo poznámky, a systém z nich vytvoří několikaminutový rozhovor dvou umělých moderátorů, kteří obsah probírají mezi sebou, s přirozenými odmlkami a reakcemi. Působí to překvapivě živě, právě proto, že jde o dialog dvou hlasů, ne jedno monotónní čtení.

Na strojový dabing celých videí se zaměřuje HeyGen, který kromě přemluvení do jiného jazyka umí i přeložit pohyb rtů mluvčího tak, aby zhruba odpovídal novým slovům. Pro lidi se zrakovým postižením nebo pro ty, kdo raději poslouchají než čtou, existuje aplikace Speechify, která libovolný text, e-mail nebo článek přečte nahlas hlasem podle výběru, včetně několika známých hlasů herců, kteří na to dali svolení.

Kolik to dnes stojí

Bezplatné varianty u většiny nástrojů existují, ale s citelnými omezeními. ElevenLabs v bezplatném tarifu dovolí jen pár minut generovaného zvuku měsíčně, Suno omezuje počet vygenerovaných skladeb za den. Na běžné vyzkoušení to stačí, na pravidelnou tvorbu podcastu nebo videí už obvykle ne.

Placené tarify se pohybují řádově v jednotkách až nižších desítkách dolarů měsíčně za běžné použití, profesionální varianty s vyšší kvalitou klonování hlasu nebo komerční licencí k hudbě stojí víc. Přesné ceny se mění často, u konkrétního nástroje se vyplatí podívat na aktuální ceník přímo na jeho webu, ne na starší srovnání.

K čemu se to dnes reálně používá

Nejvíc viditelné je to u podcastů a audioknih. Apple Books od začátku roku 2023 nabízí u vybraných titulů AI namluvení, hlavně u knih, kde by lidský dabing byl ekonomicky nesmyslný vzhledem k malému očekávanému nákladu.

Dabing videí do cizích jazyků při zachování hlasu původního mluvčího používají čím dál víc weboví tvůrci a firmy, které chtějí oslovit publikum v jiné zemi bez najímání herce. YouTuber natočí video jednou, systém ho pak „přemluví” do angličtiny, španělštiny nebo japonštiny hlasem, který zní jako on sám, jen v cizím jazyce.

Novináři, výzkumníci a studenti využívají přepis k rychlému zpracování rozhovorů a přednášek. Marketéři a tvůrci krátkého obsahu na sociální sítě sahají po generátorech hudby, když potřebují znělku nebo hudbu na pozadí a nechtějí řešit licenční poplatky za komerční skladbu.

Herní studia zkoušejí generovaný hlas u vedlejších postav, které mají desítky nebo stovky replik a najmutí herce na každou z nich by prodražilo produkci malé hry. Hlavní postavy si drží skutečné herecké obsazení, protože tam diváci i hráči rozdíl poznají nejcitlivěji.

Firmy sahají po generovaném hlasu i u interních školení a e-learningu. Modul o bezpečnosti práce nebo nová firemní směrnice se dřív musela nahrávat ve studiu, dnes stačí upravit text a nechat ho namluvit znovu, když se pravidla změní.

Na co si dát pozor

Generovaný hlas má i svou profesní stránku, o které se v nadšených recenzích nástrojů obvykle mlčí. Americký odborový svaz herců a dabérů SAG-AFTRA vedl v letech 2024 a 2025 dlouhý spor s videoherními studii právě kvůli podmínkám, za jakých smí firmy použít hlas nebo herecký výkon k trénování AI modelů. Pro řadu dabérů jde o otázku obživy. Firma, která nasadí generovaný hlas tam, kde dřív pracoval člověk, tenhle dopad nese, ať už si to přizná, nebo ne.

Klonování hlasu s sebou nese riziko, které se běžně označuje jako „scam vnuka”: podvodník si z pár vteřin veřejně dostupného videa na sociálních sítích vytvoří kopii hlasu příbuzného a zavolá starším lidem s tím, že jejich blízký je v nouzi a potřebuje rychle poslat peníze. Americká Federální obchodní komise před tímhle typem podvodu opakovaně varuje. Základní obrana je jednoduchá: při podezřelém telefonátu se zeptejte na něco, co by cizí člověk nevěděl, a raději zavolejte zpátky na známé číslo.

U generování hudby se právní rámec teprve usazuje. Část sporů skončila dohodou a licencovanou spoluprací s vydavatelstvími, což ale neznamená, že každý výstup smíte použít, jak se vám zlíbí. Pokud hudbu chcete použít komerčně, ověřte si aktuální licenční podmínky přímo u konkrétního nástroje, ne podle toho, co jste kdysi četli.

Právo k vlastnímu hlasu je taky téma, které teprve dostává jasnější pravidla. Než někomu svůj hlas naklonujete, ať jde o kolegu, herce nebo rodinného příslušníka, vyžádejte si jeho výslovný souhlas. U hlasů veřejně známých osob může neoprávněné klonování znamenat právní problém bez ohledu na to, že to technologie umožňuje.

Evropská unie na podobné riziko reaguje i legislativně. Nařízení AI Act ukládá v článku 50 poskytovatelům systémů, které generují syntetický zvuk, obraz, video nebo text, povinnost označit výstup strojově čitelným způsobem tak, aby šel rozpoznat jako uměle vytvořený. Tahle část nařízení se používá od 2. srpna 2026, takže už není otázkou budoucnosti. Jak přesně se povinnost promítne do konkrétního nástroje, který používáte, se ale liší, u komerčního nasazení se proto vyplatí ověřit aktuální stav přímo u poskytovatele.

Shrnutí

Generování hlasu a hudby dnes zvládne namluvit audioknihu, vytvořit znělku na pozadí videa nebo přepsat rozhovor rychleji, než by to zvládl člověk. Stejná technologie ale otevírá dveře podvodům, které stojí na napodobení něčího hlasu bez jeho vědomí.

Kdo chce s AI zvukem začít, nejrychleji se zorientuje na krátkém, neškodném projektu: nechat si vygenerovat znělku k vlastnímu videu nebo přepsat schůzku, kterou stejně měl v úmyslu si zpětně poslechnout. Až na tom uvidí, kde jsou hranice kvality, snáz pozná i to, kde končí legitimní použití a začíná zneužití.