Kdo si nechal přepsat českou nahrávku modelem Whisper, možná v hotovém textu našel větu, kterou nikdo neřekl. Typicky vypadá takhle: „Titulky vytvořil JohnyX.“ Nahrávka v tu chvíli obsahovala jen ticho nebo šum, model ale ticho neumí nechat prázdné a doplní do něj to, co v podobných místech vídal při trénování. A trénoval se mimo jiné na titulcích k filmům a videím, kde na konci opravdu bývá podpis překladatele.

Tahle drobná historka o přepisu řeči na text říká víc než většina srovnávacích tabulek. Automatický přepis se za poslední tři roky zlepšil natolik, že hodinový rozhovor máte v textu za pár minut. Zároveň nikdy nevrací jistotu, jen velmi dobrý odhad. A u češtiny je ten rozdíl vidět víc než u angličtiny.

Co se vlastně děje mezi nahrávkou a textem

Starší diktovací programy porovnávaly zvuk se slovníkem a hledaly nejbližší shodu. Proto se s nimi muselo mluvit pomalu a bez přízvuku. Dnešní přepisovače pracují jako čtenář, který luští rozmazaný rukopis.

Nerozeznávají jednotlivá slova izolovaně, ale odhadují, jaké slovo dává v dané větě smysl. Když zaslechnou něco mezi „sedmnáct“ a „sedmdesát“, vyberou to, co do zbytku věty pravděpodobněji zapadne. Tenhle přístup jim dává obrovskou převahu v hluku a u nedbalé výslovnosti. Má ale i odvrácenou stranu: když model nemá co luštit, začne domýšlet. Přesně z toho vznikají ty podpisy překladatelů v tichých pasážích. Praktická použití zůstávají pořád stejná. Zápis ze schůzky nebo rozhovoru, titulky k videu, diktování místo psaní na klávesnici a hledání v hodinách nahraného zvuku. Pro každé z nich se hodí trochu jiný nástroj, i když uvnitř běží podobná technologie.

Whisper: zdarma, otevřený a běží i na vašem notebooku

Whisper zveřejnila OpenAI v roce 2022 s otevřeným kódem pod licencí MIT. Trénoval se na 680 tisících hodin nahrávek v desítkách jazyků včetně češtiny. Pro citlivé nahrávky z toho plyne praktický důsledek: Whisper si můžete stáhnout a pustit na vlastním počítači, offline, bez odesílání zvuku komukoli. Kdo přepisuje rozhovory s respondenty, porady o personálních věcech nebo cokoli, co nesmí opustit firmu, tuhle vlastnost obvykle ocení víc než pár procent přesnosti navíc.

Modelů je několik velikostí. Nejmenší, označený tiny, má 39 milionů parametrů a rozjede se skoro na čemkoli. Největší large má 1,55 miliardy parametrů a potřebuje zhruba 10 GB grafické paměti. Mezi tím je varianta turbo s 809 miliony parametrů a nároky kolem 6 GB paměti, která běží podstatně rychleji než large a pro češtinu je rozumný kompromis. Na běžném notebooku bez výkonné grafiky se vyplatí sáhnout po přepracované implementaci faster-whisper, která si vystačí s procesorem, jen si počkáte. Kdo si nechce nic instalovat, může Whisper volat přes API OpenAI. Přepis přes model whisper-1 stojí 0,006 dolaru za minutu zvuku, novější gpt-4o-mini-transcribe polovinu, tedy 0,003 dolaru za minutu (ceny ověřené v srpnu 2026). Hodinový rozhovor tak vyjde na pár korun. Zvuk ale v tomhle případě odchází na cizí server, což u citlivého obsahu mění zadání.

Kde Whisper v češtině nejčastěji uklouzne? U vlastních jmen, zkratek a čísel. Jména českých obcí a příjmení mu dělají potíže, přepisuje je foneticky nebo je zamění za běžnější slovo. A pak zmíněné halucinace v tichu, které nejsou jen kuriozita. Studie Careless Whisper skupiny kolem Allison Koenecke z Cornellovy univerzity, prezentovaná v roce 2024 na konferenci ACM FAccT, našla vymyšlené fráze nebo celé věty zhruba v jednom procentu přepisů. U 38 procent těchto halucinací šlo o obsah, který výzkumníci označili za výslovně škodlivý, tedy vymyšlené souvislosti nebo předstíranou autoritu. Autoři přitom upozorňují, že nejvíc chyb vzniká u mluvčích, kteří dělají delší pauzy, například u lidí s afázií.

Scribe od ElevenLabs míří na češtinu vážně

ElevenLabs je známější generováním hlasu, jeho přepisovací model Scribe ale patří k tomu lepšímu, co je dnes k dispozici. Umí přes 90 jazyků, rozlišuje jednotlivé mluvčí (takzvaná diarizace, tedy rozdělení textu podle toho, kdo právě mluví), přidává časové značky ke slovům a označuje i zvuky, které nejsou řeč, třeba smích. Existuje i varianta Scribe v2 Realtime pro přepis v reálném čase.

Češtinu firma řadí do své nejlepší skupiny jazyků. Beru to jako údaj od výrobce, ne jako nezávisle ověřený fakt, protože veřejný benchmark, který by kvalitu přepisu češtiny měřil nestranně, prostě neexistuje. Praktický dojem tomu ale odpovídá: Scribe si poradí s překrývajícími se mluvčími lépe než základní Whisper a diarizace u české debaty dvou lidí funguje překvapivě spolehlivě.

Cenově je Scribe dostupný. Bezplatný tarif nabízí 10 tisíc kreditů měsíčně, což stačí na vyzkoušení. Placené tarify začínají na 6 dolarech měsíčně (Starter) a pokračují přes Creator za 22 dolarů k Pro za 99 dolarů. Přes API se přepis účtuje po hodinách zvuku a sazby se pohybují v rozmezí zhruba 0,22 až 0,40 dolaru za hodinu podle tarifu a zapnutých funkcí (ověřeno v srpnu 2026). Ceníky se u ElevenLabs mění poměrně často, aktuální čísla se vyplatí zkontrolovat přímo na jejich webu.

Descript stříhá zvuk přímo v přepisu

Descript řeší jinou úlohu. Přepis je tu jen prostředek, hlavní věc je střih: nahrajete video nebo podcast, program ho přepíše, a vy pak mažete slova v textu. Vystřižený text zmizí i ze zvukové stopy. Kdo někdy hledal v hodinové nahrávce místo, kde host třikrát zopakoval „no a tak“, pochopí, proč se to podcasterům líbí.

Češtinu Descript podporuje, je mezi 25 jazyky pro přepis. Kvalita přepisu je slušná, pokročilé funkce kolem hlasu a přepisování textu ale míří primárně na angličtinu, u českého obsahu tak využijete hlavně přepis a střih. Bezplatný tarif dává 60 minut záznamu měsíčně, Hobbyist stojí 24 dolarů měsíčně (16 při roční platbě) a přidává 10 hodin, Creator 35 dolarů (24 ročně) za 30 hodin a Business 65 dolarů (50 ročně) za 40 hodin. Ověřeno v srpnu 2026. Pro člověka, který natočí jedno video měsíčně, je to drahé. Pro někoho, kdo vydává podcast každý týden, se to zaplatí za odpolední ušetřenou práci.

Český Beey a otázka, komu vlastně věřit

Vedle zahraničních jmen existuje česká alternativa. Beey vyvíjí firma NEWTON Technologies a specializuje se právě na češtinu a jazyky střední a východní Evropy. Podporuje přes 30 jazyků a mezi referencemi uvádí Českou televizi, DVTV, Novu i Primu. Po registraci dostanete 30 minut zdarma bez zadávání karty.

Ceny jsou v korunách a bez měsíčního závazku začínají na 198 Kč za hodinu přepisu. Tarif Plus stojí 590 Kč měsíčně a obsahuje 5 hodin, Business 990 Kč měsíčně za 10 hodin (ceny včetně DPH, ověřeno v srpnu 2026). Nevyužité minuty se nepřevádějí do dalšího měsíce, což je u nepravidelné práce nepříjemné.

Marketingově Beey slibuje přesnost „až 100 procent“. Takové formulaci nevěřím u žádného přepisovače, protože slovo „až“ nese celou váhu věty. U čistě nahraného studiového rozhovoru je oprav minimum, u telefonátu nebo debaty v hlučné restauraci jich rychle přibývá. O výsledku rozhoduje hlavně kvalita zvuku, ne značka na faktuře. Rozhodující výhoda Beey je jinde: české uživatelské rozhraní, faktura v korunách, editor titulků postavený na češtině a podpora, se kterou se domluvíte.

Jak z toho udělat použitelný postup

Než začnete vybírat nástroj, projděte si čtyři otázky. Vhodný kandidát z nich obvykle vypadne sám.

  1. Smí zvuk opustit váš počítač? Pokud ne, končíte u Whisperu spuštěného lokálně. Žádná cloudová služba tuhle podmínku nesplní, ať slibuje cokoli.
  2. Potřebujete vědět, kdo co řekl? Pak chcete diarizaci. Scribe ji má zabudovanou, u Whisperu si ji musíte doplnit dalším nástrojem.
  3. Bude z přepisu titulek, nebo text ke čtení? U titulků potřebujete časové značky a rozumné dělení řádků, což řeší Beey a Descript líp než holý Whisper.
  4. Jak často to budete dělat? U jednorázové věci nemá smysl platit měsíční tarif. Bezplatné limity Scribe, Descriptu i Beey na jednu nahrávku bohatě stačí.

Samotný přepis pak proběhne v pár krocích. Nahrávku si nejdřív poslechněte a ořízněte ticho na začátku a na konci, protože právě tam vznikají vymyšlené věty. Nástroji vždycky nastavte češtinu ručně, automatické rozpoznávání jazyka u krátkých nahrávek občas přepne na slovenštinu. Po přepisu projděte text s puštěným zvukem, ale ne celý: soustřeďte se na místa se jmény, čísly a odbornými pojmy, tam sedí většina chyb. A nakonec si vlastní jména opravte hromadnou náhradou, protože model je typicky komolí pokaždé stejně.

Kdo přepisuje schůzky pravidelně, může navázat i na nástroje popsané v přehledu AI pro produktivitu a kancelář, které z hotového přepisu udělají shrnutí a seznam úkolů.

Na co si dát pozor

Nahrávání cizí řeči má svá pravidla. Rozhovor, poradu i telefonát s klientem nahrávejte se souhlasem ostatních a řekněte jim to na začátku nahrávky, ne až po ní. Pokud přepis obsahuje osobní údaje, zdravotní informace nebo obchodní tajemství, cloudová služba je jiná kategorie rizika než model běžící u vás na disku. Podmínky konkrétní služby k tomu, jestli váš zvuk používá k dalšímu trénování, se vyplatí přečíst dřív než ceník. Pozor si dejte i na slepé přebírání výsledku. Přepis vypadá hotově, čte se plynule a nikde nesvítí, že si model půl věty domyslel. U citací do článku, u zápisu z jednání a u čehokoli, co má právní dopad, projděte kritická místa se zvukem. Vymyšlená věta v přepisu totiž zní úplně stejně sebejistě jako ta pravdivá.

A nakonec drobnost, která umí potrápit: čeští mluvčí často střídají češtinu s angličtinou v jedné větě. Modely to zvládají různě. Někdy anglické slovo přepíšou foneticky do češtiny a věta pak nedává smysl. Když víte, že v nahrávce padne hodně odborných anglických výrazů, projděte je při kontrole přednostně.

Čím začít, když to zkoušíte poprvé

Vezměte nahrávku, kterou už znáte. Poradu, kterou jste sami vedli, nebo rozhovor, který si pamatujete. Pusťte ji do bezplatného tarifu Scribe nebo do třiceti minut zdarma u Beey a porovnejte výsledek s tím, co si pamatujete, že padlo. Během jednoho odpoledne zjistíte přesně to, co vám žádná recenze neřekne: jak si ten který nástroj poradí s vaším hlasem, vaším mikrofonem a slovníkem vašeho oboru.

Teprve pak má smysl řešit tarify. Přepis řeči na text dnes ušetří hodiny práce, ale úsporu z něj dostanete jen tehdy, když počítáte i s tím, že po modelu čtete. Kdo přepis kopíruje bez čtení, dřív nebo později publikuje větu, kterou nikdo neřekl. Ideálně ne tu o titulcích od JohnyXe.

Širší kontext technologií kolem zvuku, tedy generování hlasu, klonování i hudby, rozebírá přehled AI audio, hlas a hudba.