Hlasové zadávání se prodává jednou větou: řeknete to a systém to zapíše. Postavili jsme si takový nástroj sami, používáme ho denně a tenhle článek je o tom, co v té větě chybí.
Všechna čísla níže jsou z našeho vlastního nástroje, ne z cizí případové studie. Podmínky měření jsou uvedené u každého z nich, protože bez podmínek je číslo o rychlosti přepisu k ničemu.
Proč jsme to vůbec stavěli
Důvod nebyl technologický. Byl provozní a možná ho znáte.
Zadání úkolu, kvůli kterému si člověk musí sednout a rozepsat ho, se odkládá. A opačným směrem to bolí stejně: klient, který posílá deset hlasových zpráv po pěti minutách za jedno dopoledne, poslal padesát minut mluveného slova, které někdo musí poslechnout celé, aby z něj vytáhl tři úkoly. Naše sestava jich do 26. 8. 2026 přepsala 641. Není to ohromující číslo a právě proto je názorné: ruční poslech se přestane vyplácet dávno dřív, než ho stihnete nazvat problémem.
Nástroj tedy dělá jednu věc: z mluveného slova udělá zapsaný úkol s termínem a odpovědným člověkem, a kartu založí i v Trellu. Zajímavější než to, co funguje, je ale to, co nefungovalo.
Tři věci, které nevyšly napoprvé
První verze promptu shrnovala příliš. Přepis byl v pořádku, ale model z něj vyrobil tak úsporné zadání, že z něj zmizely podmínky - tedy přesně to, kvůli čemu se úkol zadával. Poznalo se to až podle toho, že úkoly se vracely s dotazy. Poučení je nudné a platí i mimo hlas: shrnutí, které nikdo neporovnal s originálem, je domněnka o obsahu.
Přepis zpočátku trval minutu až dvě. Při takové prodlevě přestane být hlasový vstup rychlejší než psaní a lidé se k němu vrátí jen tehdy, když mají obě ruce zaneprázdněné. Rychlost tady není pohodlí, ale podmínka používání.
Odpovědi klientovi zněly neprofesionálně. Když jsme stejnou sestavu použili k diktování odpovědí do chatu, text vycházel skoro doslova tak, jak byl nadiktovaný - se všemi vsuvkami mluvené řeči. Opravilo se to přepsáním promptu, ne modelem. Mluvená a psaná čeština jsou dva různé registry a převod mezi nimi je samostatná úloha, ne vedlejší efekt přepisu.
Měření ze 3. 9. 2026: rychlost proti jménům
Tohle je jádro článku. Deset typických frází s našimi názvy, cestami a příkazy, jeden stroj, osm vláken, tři rozpoznávače.
| Rozpoznávač | Medián na frázi | Součet | Načtení modelu | Naše jména |
|---|---|---|---|---|
whisper medium |
5,04 s | 50,7 s | 13,2 s | 7 ze 14 |
whisper small |
1,98 s | 19,8 s | 1,9 s | 7 ze 14 |
| parakeet TDT 0.6b v3 int8 | 0,65 s | 6,2 s | 7,4 s | 1 ze 14 |
Nejrychlejší model je téměř osmkrát rychlejší než nejpomalejší a na vlastních jménech propadl. Smysl vět zachoval; ztratil přesně jména, cesty a příkazy, tedy to jediné, co v zadání úkolu nejde uhodnout z kontextu. Název nástroje přepsal foneticky, název příkazu spojil do jednoho slova.
Příčina je konstrukční, ne otázka kvality. U modelů řady whisper existuje vstupní nápověda, do které se dá napsat, jak se naše názvy píší, a my ji používáme. U exportovaného transduceru, který jsme měřili jako nejrychlejší, v naší sestavě takové místo není - není kam napsat, že se to slovo píše takhle. Nápověda pro tuhle rodinu modelů existuje, jenže vyžaduje jinou cestu nasazení; my jsme ji nezkoušeli a do měření nevstoupila. Řádek v tabulce je tedy rozdíl mezi dvěma konkrétními sestavami, ne rozsudek nad technologií.
Co jsme z toho udělali: rozhovor běží na small (1,98 s), tlačítko pro delší diktování zůstalo na medium. Rychlý model zůstal v kódu a zapíná se jedním řádkem v konfiguraci, pro případ, že by přišla verze s nápovědou.
Poctivá výhrada k měření: fráze byly namluveny syntetickým hlasem, který vyslovuje latinku podle českých a ruských pravidel. Na živé řeči, kde anglický název zní anglicky, může rychlý model dopadnout lépe. Ověřit to umí jenom člověk s mikrofonem, a to jsme zatím neudělali.
Ticho se měří jinak v rozhovoru a jinak v příkazu
Druhé číslo, kterého se v návodech nedočtete, protože se vyladí až provozem.
Systém musí poznat, že jste domluvili. Dělá to podle délky ticha, a ta hodnota není jedna. U krátkého příkazu nám vyhovuje 900 ms. V rozhovoru, kde člověk přemýšlí nahlas, je stejná hodnota nepoužitelná - uřízne ho uprostřed myšlenky. Tam máme 1 200 ms.
Běžně se u detekce konce promluvy uvádějí prahy kratší, než je ten náš, a ten rozdíl je záměr, ne opomenutí. Cena za příliš krátký práh a za příliš dlouhý je totiž nesymetrická: dlouhý práh stojí půl sekundy čekání, krátký práh stojí useknutou větu a nutnost opakovat celé zadání.
K tomu tři levné opravy, které nahradily chytrý detektor:
- Výplňová slova nezakládají větu. Úsek rozpoznaný jako „ehm“, „no“, „takže“, „moment“ se nikam neodesílá a jen prodlouží čekání.
- Kratší než 0,7 s a delší než 25 s se neodesílá. Dolní hranice je proti halucinaci na tichu - model, kterému dáte ticho, si občas vymyslí větu. Horní je proti tomu, aby se konec dlouhé promluvy ztratil bez ohlášení.
- Předčasný řez není smrtelný. Uříznutá věta odejde, další se zařadí do fronty. V telefonním hovoru by to stálo zákazníka, tady jednu repliku navíc.
Hranice věty umí najít model. Práh hlasitosti ne
Původně jsme začátek a konec řeči hledali podle hlasitosti. Funguje to v tichu a rozpadne se přesně tam, kde to potřebujete - v hlučné kanceláři a v autě.
Měřitelný rozdíl: při šumu na pozadí 0,01 RMS, tedy nad naší prahovou hodnotou 0,006, práh hlasitosti frázi neuzavře vůbec a odešle celou nahrávku. Model pro detekci řeči ze stejného vstupu vytáhne 3,3 sekundy skutečné promluvy. Stojí to 0,05 s procesoru na 6,9 s zvuku, tedy prakticky nic.
Tohle je zároveň nejlepší příklad tiché poruchy v celém našem nástroji. Nikde se nic nerozbije, žádná chyba nevyskočí - jen se do přepisu začne posílat šum a výsledky se zhorší způsobem, který si spojíte s modelem, ne se vstupem.
Past, která nemá s hlasem nic společného, a stejně vás zastaví
Poslední zkušenost stojí za zmínku, protože platí pro celý výběr nástrojů, nejen pro hlas.
Knihovna, se kterou jsme původně počítali, se nainstaluje bez chyby a spadne až při prvním importu: bezpečnostní politika Windows zablokuje její binární část. Vypnout tu politiku jde běžným nastavením, potíž je v druhém směru - zpátky se na těch strojích zapnout nedá jinak než přeinstalací systému. Kvůli jedné knihovně to za to nestálo, takže jsme stejné modelové soubory obsloužili přes runtime, který podepsaný je. Funguje to, ale je to práce navíc, o které jsme při rozhodování nevěděli.
Pravidlo, které z toho plyne: u knihovny s binární částí se ověřuje politika a import dřív, než se rozhodnutí zapíše do zadání. Úspěšná instalace není důkaz, že to poběží.
Kdy má hlasový vstup smysl a kdy ne
Sečteno z toho, co jsme naměřili:
Dává smysl, když má člověk zaneprázdněné ruce, mluví strukturovaně a výstup si někdo přečte dřív, než podle něj bude jednat. Zadání úkolů, poznámky z terénu, hlášení ze stavby, diktát konceptu.
Nedává smysl tam, kde výsledek jde rovnou do systému bez lidského potvrzení, a zvlášť tam, kde se v promluvě objevují vlastní jména, kódy a čísla. Právě ty se ztrácejí jako první a ztrácejí se tiše - věta zůstane gramaticky v pořádku a bude znamenat něco jiného.
Praktický dopad: hlasový vstup patří před krok, kde věc uvidí člověk, ne za něj. Kdo si tohle pravidlo odpustí, staví si automat, který občas napíše špatné číslo - a proč je to horší než nenapsat žádné, rozebíráme v samostatném článku o číslech v automatu.
Na hlasovém vstupu se nemá měřit přesnost přepisu. Má se měřit, kolik vlastních jmen z deseti přežije - protože jméno je to jediné, co si systém nedomyslí.
Chcete to zkusit na svém provozu
Řekněte nám, co u vás lidé dnes zadávají ručně a kdy k tomu nemají volné ruce. Vrátíme odhad, jestli se hlasový vstup vyplatí, a hlavně u kterého kroku musí zůstat člověk.
Scénáře, napojení a provoz stavíme na stránce automatizace. O tom, kterým kanálem má takový nástroj mluvit ven, je samostatný článek o volbě mezi WhatsAppem, Telegramem a SMS.
Napište na info@lamapixel.com nebo volejte +420 775 599 009.
