AI prepis reči do textu po slovensky: čo naozaj funguje

V skratke: AI prepis reči do textu po slovensky už zvládne bežnú poradu — najlepšie modely urobia na čistej nahrávke približne 5 až 9 chýb na 100 slov. Slovenčina je však pre umelú inteligenciu „jazyk s málo dátami", takže presnosť je citeľne nižšia než v angličtine. K tomu pribúda riziko halucinácií (systém dopíše vetu, ktorá nezaznela) a dve právne povinnosti: na nahrávanie porady potrebujete privolenie účastníkov a od februára 2025 je v EÚ zakázané odvodzovať z hlasu emócie zamestnancov.

Poradu nahráte na telefón, súbor vložíte do nástroja a o dve minúty máte prepis aj zoznam úloh. Presne takto sa AI zápisnica predáva. V slovenčine to funguje inak než v angličtine a rozdiel je dosť veľký na to, aby ste ho brali do úvahy pri výbere nástroja. Tento článok vysvetľuje, aká je reálna presnosť AI prepisu reči do textu po slovensky, ktoré nástroje slovenčinu naozaj podporujú, ako z prepisu spraviť použiteľné úlohy a čo pri nahrávaní porady vyžaduje zákon.

Ako presný je AI prepis reči do textu po slovensky

Presnosť rozpoznávania reči sa meria ukazovateľom WER (word error rate, chybovosť slov). Je to podiel nesprávne prepísaných slov — vynechaných, pridaných alebo zle rozpoznaných. WER 10 % znamená, že v každých sto slovách je desať chýb. Platí, že nižšie číslo je lepšie.

Konkrétne čísla pre slovenčinu priniesol projekt SloPalSpeech, ktorý z nahrávok rokovaní Národnej rady SR z rokov 2001 – 2024 zostavil korpus s 2 806 hodinami zarovnanej reči a na ňom doladil modely Whisper (Božík & Šuppa, 2025). Meranie na štandardnom benchmarku FLEURS vyzeralo takto:

Na náročnejšom datasete Common Voice 21, ktorý obsahuje nahrávky bežných ľudí z domáceho prostredia, boli čísla výrazne horšie: základný large-v3 mal 20,8 % a doladený 11,6 %. Rozdiel medzi oboma meraniami je pre prax kľúčový — FLEURS je čítaná reč v dobrej kvalite, Common Voice je bližšie k realite domácich a kancelárskych nahrávok.

Čo si z toho odniesť: na poradu v tichej miestnosti s dobrým mikrofónom počítajte s chybovosťou okolo 10 %, na hovor cez reproduktor telefónu s výrazne vyššou. Desať chýb na sto slov znamená približne jednu chybu na každé dve vety. Prepis preto nikdy nepoužívajte ako zápisnicu bez kontroly.

Prečo slovenčina robí AI väčší problém než angličtina

Slovenčina je z pohľadu rozpoznávania reči jazyk s nedostatkom zdrojov (low-resource language). Pred zverejnením korpusu SloPalSpeech bolo verejne dostupných menej než 100 hodín trénovacích dát pre slovenčinu, zatiaľ čo modely pre angličtinu sa trénujú na miliónoch hodín — model Whisper large-v3 bol podľa dokumentácie OpenAI trénovaný na 1 milióne hodín slabo označených a 4 miliónoch hodín pseudo-označených nahrávok naprieč 99 jazykmi.

Prehľadová štúdia v časopise Speech Communication upozorňuje, že metódy vyvinuté pre jazyky s množstvom dát sa do prostredia s nedostatkom dát neprenášajú automaticky a ich empirický výkon treba overovať samostatne (Fatehi et al., 2025). Inými slovami: to, že nástroj má v marketingových materiáloch „99 % presnosť", je takmer isto údaj z angličtiny.

K tomu sa pridávajú tri jazykové špecifiká, ktoré chybovosť ďalej zvyšujú:

• Skloňovanie a časovanie — jedno slovo má desiatky tvarov, model si musí vybrať ten správny podľa kontextu.
• Diakritika — rozdiel medzi „mala" a „malá" alebo „sud" a „súd" je v prepise zásadný, v akustike minimálny.
• Miešanie s angličtinou — bežné vety typu „poslal som ti to na Slack" model často prepíše foneticky.

Ktoré nástroje zvládnu slovenský prepis (a ktoré nie)

Podpora slovenčiny nie je samozrejmosť ani u veľkých dodávateľov. Nasledujúci prehľad vychádza z oficiálnej dokumentácie výrobcov (stav k júlu 2026):

Praktický dôsledok: ak firma funguje na Google Workspace, vstavaný prepis porady v slovenčine jednoducho nedostane a musí siahnuť po samostatnom nástroji. Pri nástrojoch tretích strán si vždy overte aktuálny zoznam jazykov priamo v dokumentácii výrobcu — mení sa a marketingové stránky bývajú optimistickejšie než technická dokumentácia.

Halucinácie: keď AI dopíše, čo nikto nepovedal

Chybovosť nie je jediné riziko. Modely typu Whisper generujú text a občas vygenerujú aj to, čo v zvuku vôbec nie je. Výskum prezentovaný na konferencii ACM FAccT ukázal, že približne 1 % prepisov obsahovalo celé halucinované frázy alebo vety, ktoré v pôvodnej nahrávke neexistovali v žiadnej podobe — a 38 % týchto halucinácií obsahovalo explicitne škodlivý obsah, napríklad vymyslené súvislosti, násilné formulácie alebo predstieranú autoritu (Koenecke et al., 2024).

Halucinácie sa objavovali najmä v tichých úsekoch nahrávky a neúmerne postihovali ľudí s poruchou reči. Pre poradu to znamená konkrétne riziko: pauzy, prekrývajúce sa hlasy a šum sú presne tie momenty, keď si model „domyslí" vetu.

Preto platí jednoduché pravidlo — prepis je podklad, nie dôkaz. Skôr než zápisnicu rozpošlete, prečítajte si aspoň záväzné časti: sumy, termíny, mená a rozhodnutia. Rovnaký princíp platí pri všetkých generatívnych nástrojoch, ako sme rozoberali v článku o ChatGPT a AI nástrojoch pre firmy.

Z nahrávky na úlohy: postup, ktorý funguje

Samotný prepis má obmedzenú hodnotu — nikto si nebude čítať 40 strán textu. Hodnota vzniká až v kroku, keď sa z prepisu stanú úlohy s menom a termínom. Osvedčený postup má päť krokov:

1. Pred poradou získajte súhlas a nahrávanie oznámte na začiatku stretnutia (podrobnosti v ďalšej kapitole).
2. Zlepšite vstup, nie výstup. Jeden slušný USB mikrofón v strede stola zníži chybovosť viac než akékoľvek doladenie textu. Účastníci by nemali hovoriť súčasne.
3. Prepíšte nahrávku nástrojom, ktorý slovenčinu podporuje, a vyžiadajte si prepis s časovými značkami a označením hovoriacich.
4. Z prepisu vytvorte štruktúru — rozhodnutia, úlohy, otvorené otázky. Ak na to používate jazykový model, žiadajte formát „úloha — zodpovedný — termín" a doplňte pokyn, aby nič nedopĺňal a pri nejasnosti napísal „nezaznelo".
5. Skontrolujte a rozpošlite. Kontrola piatich záväzných bodov trvá dve minúty a je to jediný krok, ktorý sa nedá delegovať na AI.

Kľúčový je krok 4. Rozdiel medzi nepoužiteľným a použiteľným výstupom je takmer vždy v zadaní — konkrétny formát a explicitný zákaz dopĺňať chýbajúce informácie odstránia väčšinu problémov.

Nahrávanie porady a zákon: privolenie, GDPR a zákaz emócií

Nahrávka porady je zároveň záznamom prejavov osobnej povahy aj spracúvaním osobných údajov. Platia teda tri vrstvy pravidiel.

Občiansky zákonník. Podľa § 12 ods. 1 zákona č. 40/1964 Zb. sa „obrazové a zvukové záznamy týkajúce sa fyzickej osoby alebo jej prejavov osobnej povahy smú vyhotoviť alebo použiť len s jej privolením". Výnimky v odsekoch 2 a 3 sa týkajú úradných účelov na základe zákona, vedeckých a umeleckých účelov a spravodajstva — bežná firemná porada pod ne nespadá. Privolenie preto potrebujete a musí pokrývať vyhotovenie aj použitie záznamu.

GDPR. Nahrávka je osobným údajom, takže potrebujete právny základ podľa čl. 6 nariadenia (EÚ) 2016/679. Vo vzťahu k zamestnancom býva súhlas problematický, pretože sa ťažko preukazuje jeho dobrovoľnosť. V praxi sa preto pracuje s oprávneným záujmom a posúdením proporcionality, doplneným o interný predpis, informovanie účastníkov a jasnú dobu uchovávania. Nezabudnite ani na to, že nahrávka odoslaná do cloudového nástroja sa dostáva k tretej strane — potrebujete zmluvu o spracúvaní údajov.

Akt EÚ o umelej inteligencii. Nariadenie (EÚ) 2024/1689 zakazuje v článku 5 ods. 1 písm. f) uvádzať na trh alebo používať systémy AI na odvodzovanie emócií fyzických osôb na pracovisku a vo vzdelávacích inštitúciách, s výnimkou zdravotných a bezpečnostných dôvodov. Zákazy podľa článku 5 sa uplatňujú od 2. februára 2025. Ak teda nástroj na zápisnice ponúka „analýzu nálady" alebo „skóre angažovanosti" odvodené z tónu hlasu účastníkov porady, ide o funkciu, ktorú vo firme zapnúť nesmiete. Samotný prepis reči do textu zakázaný nie je — zakázané je odvodzovanie emócií z biometrických údajov.

Kedy sa AI zápisnica oplatí a kedy je zbytočná

Nasadenie má zmysel tam, kde sa opakovane stráca informácia, nie všade.

Ak zvažujete, ktorú AI technológiu vo firme nasadiť ako prvú, prepis porád je pomerne bezpečný začiatok — má jasne merateľný prínos a nevstupuje priamo do komunikácie so zákazníkom, na rozdiel od AI chatbota na webe.

Časté otázky

Aká je reálna presnosť AI prepisu reči do textu po slovensky? Na kvalitnej nahrávke dosahujú najlepšie modely chybovosť približne 5,5 až 9,2 % podľa merania na benchmarku FLEURS. Na bežných nahrávkach z domáceho alebo kancelárskeho prostredia je chybovosť podstatne vyššia, okolo 12 až 21 %.

Podporuje Google Meet prepis v slovenčine? Nie. Funkcia Transcripts v Google Meet podporuje podľa oficiálnej dokumentácie osem jazykov a slovenčina medzi nimi nie je. Microsoft Teams naopak slovenčinu v živom prepise podporuje.

Potrebujem súhlas účastníkov na nahrávanie porady? Áno. Podľa § 12 Občianskeho zákonníka sa zvukový záznam týkajúci sa fyzickej osoby smie vyhotoviť alebo použiť len s jej privolením. Súčasne potrebujete právny základ podľa GDPR a účastníkov treba o nahrávaní informovať vopred.

Môže AI nástroj vyhodnocovať náladu účastníkov porady? Nie. Akt EÚ o umelej inteligencii od 2. februára 2025 zakazuje používanie systémov AI na odvodzovanie emócií osôb na pracovisku, okrem zdravotných a bezpečnostných dôvodov.

Môže AI v prepise vymyslieť vetu, ktorá nezaznela? Áno, ide o takzvané halucinácie. Výskum zistil, že približne 1 % prepisov obsahovalo celé vymyslené frázy, najčastejšie v tichých úsekoch nahrávky. Preto treba záväzné časti zápisnice vždy skontrolovať proti nahrávke.

Ako znížiť chybovosť prepisu bez toho, aby som menil nástroj? Najväčší efekt má kvalita zvuku: externý mikrofón, tichá miestnosť a jeden hovoriaci naraz. Pomôže aj to, keď na začiatku nahrávky odznejú mená účastníkov a odborné termíny, ktoré sa budú opakovať.