Proč čeština klade na přepis zvláštní nároky — a jak se s nimi vyrovnat

16. března 2026 · 5 min čtení ·

Automatický přepis vznikl v anglofonním světě a angličtina mu přirozeně vyhovuje. Čeština je jiný případ: flektivní jazyk s bohatou morfologií, volným slovosledem a relativně malým objemem dostupných trénovacích dat. Tento článek vysvětluje, co konkrétně čeština od přepisového algoritmu vyžaduje — a proč obecné nástroje v českém prostředí selhávají dřív, než by člověk čekal.

Flektivní jazyk versus analytický — jiný typ problému

Aby bylo jasné, o čem mluvíme: angličtina a čeština jsou typologicky různé jazyky, a tento rozdíl má přímý dopad na to, jak těžké je pro algoritmus přepis zvládnout.

Analytický jazyk jako angličtina vyjadřuje gramatické vztahy pomocí slovosledu a pomocných slov. Slovní tvary se mění minimálně. „The dog bites the man" — pořadí slov určuje, kdo koho kousl.

Flektivní jazyk jako čeština zakóduje gramatické vztahy do koncovek. „Pes kousl muže" i „Muže kousl pes" říkají totéž, protože pád určuje roli, ne pořadí slov. Pro přepisový algoritmus to znamená: totéž podstatné jméno přichází v záznamu v různých tvarech, každý s jiným zvukovým obrazem. Slovo „pes" zní jinak než „psa", „psu", „pse", „psem" nebo „psovi". Přitom jde o totéž slovo, jen v různém gramatickém tvaru.

Angličtina má pro podstatná jména typicky dva tvary (dog / dogs). Čeština může mít 14 a více (sedm pádů krát jednotné a množné číslo, plus životnost). Každý z těchto tvarů musí model samostatně rozpoznat jako součást správného slova — a při nedostatku trénovacích dat mu tato rozmanitost způsobuje potíže.

Diakritika — malý znak, velký problém

Diakritika v češtině není jen pravopisný detail. Mění slova na různé lexémy s různým významem:

„rada" (doporučení) vs. „ráda" (přídavné jméno ženského rodu)
„pas" (doklad totožnosti) vs. „pás" (část těla nebo opasek)
„byl" (minulý čas) vs. „být" (infinitiv — délka mění slovní druh)
„hrad" (stavba) vs. „hrát" (činnost)

Při poslechu jsou tyto páry akusticky téměř nerozlišitelné. Délka samohlásky závisí na tempu řeči a individuálním projevu mluvčího. Algoritmus musí správnou variantu odvodit z kontextu — a pokud je jeho jazykový model trénován primárně na angličtině bez diakritiky, tento kontext mu chybí.

Existují dva přístupy, jak s diakritikou pracovat. Modely trénované přímo na textu s diakritikou mají lepší základ — ale potřebují dostatečnou trénovací sadu. Modely trénované bez diakritiky s následným postprocesováním diakritiku přidávají zpětně na základě slovníku a kontextu. Tato druhá cesta je méně spolehlivá a chybovost je vyšší, zvláště u slov s nízkou frekvencí výskytu.

Praktický dopad: přepis „byl jsem na rade" vs. „byl jsem na radě" — jeden je gramaticky správně, druhý je nesmysl. Přepisový systém, který toto nezvládne, produkuje texty vyžadující výraznou ruční korekci.

Volný slovosled — past pro jazykové modely

Čeština dovoluje přesouvat větné členy podle komunikativního důrazu a stylistického záměru. „Jana koupila chleba", „Chleba koupila Jana" i „Koupila Jana chleba" jsou gramaticky správné věty říkající totéž — s různým zdůrazněním.

Jazykový model předpovídá, které slovo pravděpodobně následuje po předchozím. Pokud byl naučen převážně z anglických dat, přiřadí nejvyšší pravděpodobnost pevnému pořadí podmět–přísudek–předmět. V češtině toto očekávání platí méně. Model pak může preferovat „méně pravděpodobnou" — ale gramaticky správnou — variantu s nižší jistotou. V důsledku toho věty s nestandardním (ale správným) slovosledem přepisuje hůře.

Důsledek pro uživatele: přepis emfatických nebo stylisticky označených vět bude vykazovat vyšší chybovost než přepis vět s neutrálním slovosledem.

Objem trénovacích dat — nerovnoměrné podmínky

Přepisové modely jsou tak dobré, jak dobrá jsou jejich trénovací data. A zde je čeština ve výrazné nevýhodě.

Anglická řeč je v otevřených trénovacích sadách zastoupena v řádu tisíců hodin validovaných nahrávek (LibriSpeech obsahuje 960 hodin čtené angličtiny; Common Voice pro angličtinu nabízí ještě více). Česká řeč v Mozilla Common Voice dosahuje řádově nižších hodnot.

LINDAT/CLARIAH-CZ, český repozitář jazykových dat při MFF UK, spravuje akademické sbírky mluvené češtiny https://lindat.mff.cuni.cz. Tyto sady jsou cenné pro výzkum, ale jejich rozsah a různorodost stále zaostávají za anglickými ekvivalenty.

Důsledek je přímý: model natrénovaný na menší a méně různorodé sadě hůře generalizuje. Neznámé mluvčí, regionální výslovnost, odborná terminologie nebo neformální řeč — to vše ho dostane do méně prozkoumaných oblastí jeho statistického prostoru, kde chybovost roste.

Co pomáhá — jak se s nároky češtiny pracuje

Znalost problémů je užitečná jen tehdy, pokud vede k praktickým řešením. Co skutečně pomáhá při přepisu češtiny?

Modely specificky trénované nebo dotrénované na češtině. Výzkumné skupiny na ÚFAL MFF UK a ZČU v Plzni vyvíjejí přepisové modely pro češtinu s výsledky srovnatelnými nebo lepšími než obecné modely. Komerční poskytovatelé jako Google a Deepgram nabízejí českou jazykovou sadu — kvalita jejich výkonu závisí na rozsahu českých dat v jejich proprietárních trénovacích sadách.

Konfigurace vlastní terminologie. Pokud zpracováváte záznamy z konkrétního oboru — medicína, právo, IT, interní firemní žargon — lze přepisovému systému dodat seznam termínů a frází. Systém tyto termíny upřednostní při nejistotě. Czech Transcription System tuto funkci podporuje přes CLI parametr a integraci se slučovací vrstvou, která terminologii aplikuje při slučování výsledků.

Vícemodlový přístup. Jeden model může selhat na konkrétním gramatickém tvaru nebo výrazu, jiný model ho může zvládnout lépe. Kombinace výsledků více modelů snižuje celkovou chybovost, protože slepé skvrny jednotlivých modelů se překrývají jen zčásti. Podrobněji o slučování výsledků pojednává A13.

Kvalitní záznam. Čím čistší zvuk, tím více kontextu má algoritmus k dispozici pro správnou volbu diakritiky, pádu a slovosledu. Dobrá nahrávka kompenzuje část nedostatků modelu. Jak připravit nahrávku pro nejlepší výsledek, popisuje A12.

Závěr

Čeština není angličtina s háčky. Pro přepisový algoritmus představuje zcela odlišný jazykový systém — morfologicky bohatší, s volnějším slovosledem, vlastní diakritikou a menším objemem dostupných trénovacích dat.

Dobré zprávy: tato specifika jsou překonatelná. Modely specializované na češtinu, konfigurace terminologie, vícemodlový přístup a kvalitní nahrávka jsou cesty, jak kvalitu přepisu zvýšit. Špatné zprávy: obecný nástroj bez těchto opatření na česky mluvené záznamy nestačí — a vědět to před výběrem nástroje ušetří zklamání i čas.

Pro hlubší pohled na lingvistickou variabilitu češtiny — nářečí, akcenty a nespisovné variety — navazuje A24; pro srovnání konkrétních nástrojů A06.

Zdroje

Mozilla Common Voice — Czech dataset. https://commonvoice.mozilla.org/cs a aktuální statistiky
LINDAT/CLARIAH-CZ — česká lingvistická data a korpusy. https://lindat.mff.cuni.cz
Psutka, J. et al. — výzkum rozpoznávání češtiny, ZČU v Plzni.
Komárek, M. et al. (2012). Mluvnice češtiny 2: Tvarosloví. Academia Praha. [standardní lingvistická reference]
Panayotov, V. et al. (2015). LibriSpeech: An ASR corpus based on public domain audio books. ICASSP 2015. [doi:10.1109/ICASSP.2015.7178964]