Interpunkce v přepisu: doplnit ručně, nebo svěřit algoritmu?
Automatický přepis vrátí text — ale vrátí ho správně napsaný? Interpunkce je v přepisu chronicky podceňována, dokud čtenář nenarazí na odstavec bez jediné tečky nebo na větu, kde čárka mění smysl. Jak algoritmy interpunkci odhadují, kde selhávají a jak pracovat s výsledkem.
Proč interpunkce v přepisu nefunguje samozřejmě
Přepisový model nepřepisuje interpunkci — mluvená řeč ji neobsahuje. Mluvčí neříká „čárka" ani „tečka". Přestávky a intonace jsou nepřesnými náhradníky — ale nejsou ekvivalenty interpunkčních znamének.
Model má dvě možnosti: vrátit čistý proud slov bez jakékoliv interpunkce, nebo interpunkci predikovat — buď jako součást přepisu (end-to-end model), nebo jako druhý krok po základním přepisu (postprocesing). Moderní modely jako Whisper nebo Google Speech-to-Text zpravidla doplňují základní interpunkci — tečky na konci vět, otazníky. Čárky jsou výrazně méně spolehlivé.
Podstatné: interpunkce v přepisu je vždy odhad, nikoliv přepis. Tento rozdíl má praktické důsledky.
Jak algoritmy interpunkci odhadují
Tři zdroje informace se vzájemně doplňují — ale každý má limity.
Pauzy
Delší pauza po promluvě signalizuje potenciální konec věty. Algoritmus na základě délky pauzy rozhoduje, zda přidat tečku nebo čárku. Problém: mluvčí dělají pauzy i uprostřed věty — pro přemýšlení, váhání nebo zdůraznění. „Hlavním problémem je... (pauza) ... nedostatek dat." Pauza uprostřed věty neznamená tečku. Vztah pauza–interpunkce je statistický, ne deterministický.
Intonace
Klesající intonace na konci výpovědi signalizuje větu; stoupající signalizuje otázku. Algoritmus tyto vzory ze spektrogramu identifikuje a použije jako signál pro interpunkci. Problém: intonační vzory v češtině se liší od angličtiny, a modely trénované primárně na anglických datech mohou českou intonaci nesprávně interpretovat. Navíc v záznamu z porady nebo šumném prostředí je intonace ve spektrogramu obtížně čitelná.
Jazykový model
Po základním přepisu přichází jazykový model: odhadne nejpravděpodobnější interpunkci na základě statistiky textu. Co jazykový model „ví": za spojkou „protože" pravděpodobně nepřijde tečka — jde o vedlejší větu. Za adverbiem „takže" na začátku věty přijde čárka, pokud je vsuvkou. Tilk a Alumäe (2015) ukázali, že LSTM modely trénované pro interpunkci v přepisech dosahují výrazně lepší přesnosti než přístupy založené pouze na pauzách.
Co jazykový model neví: záměr mluvčího — jestli věta byla ukončena nebo přerušena; jestli otázka je skutečná nebo řečnická.
Kde automatická interpunkce typicky selhává v češtině
Chyby jsou předvídatelné — a tím i snáze identifikovatelné při kontrole.
Vedlejší věty s čárkou
České pravopisné pravidlo: vedlejší větu vždy oddělujeme čárkou. Anglická gramatika má volnější pravidla pro čárku u vedlejší věty. Modely trénované primárně na anglických datech toto přenášejí do češtiny — a čárky před vedlejšími větami pak chybí.
Typická chyba: „Věřím že to zvládneme" místo „Věřím, že to zvládneme." Nebo: „Přijdu pokud budu mít čas" místo „Přijdu, pokud budu mít čas."
Pravidlo pro kontrolu: po slovesech a adverbiích uvozujících vedlejší větu (že, aby, protože, když, pokud, zatímco, přestože, ačkoliv...) — vždy zkontrolovat přítomnost čárky.
Přímá řeč
Přímá řeč v záznamu: „Jan řekl: ‚Přijdu zítra.'" — algoritmus nezná uvozovky ani dvojtečku. Přepíše výsledek jako nepřímou řeč nebo jako jeden proud textu bez rozlišení.
Přímou řeč je třeba opravit vždy ručně. Algoritmus nemá signál, kde citace začíná a končí.
Dlouhá souvětí
Čím delší souvětí, tím více příležitostí k chybné interpunkci. Typické chyby: chybějící čárka u vsuvky, špatné oddělení vedlejší věty od hlavní v komplexním souvětí. Záporné konstrukce s kondicionálem jsou obzvláště náchylné.
Řečnické otázky
„Víte, co je zajímavé?" — algoritmus může přidat tečku (považuje za vsuvku) nebo otazník (považuje za skutečnou otázku). Závisí na intonaci mluvčího — a ta nemusí být v záznamu jednoznačná.
Zkratky a číslice
„Dr. Novák přijde v 15. hodinu." — tečka za „Dr." nebo „15." může spustit falešný konec věty. Algoritmus ne vždy rozliší tečku za zkratkou od tečky za větou.
Jak pracovat s interpunkcí po přepisu
Správné rozdělení práce šetří čas bez ztráty přesnosti. Klíč je vědět, co opravit vždy — a co lze přijmout s ověřením.
Co opravit vždy ručně
- Čárky před vedlejšími větami — projít text a ověřit přítomnost čárky před: že, aby, protože, když, pokud, zatímco, přestože, ačkoliv, jelikož, dokud, jakmile, než.
- Přímá řeč a uvozovky — doplnit uvozovky a dvojtečku všude, kde mluvčí cituje nebo přenáší výpověď jiné osoby.
- Závorky s vsuvkami — vsuvky závorkami nebo pomlčkami zpravidla algoritmus nepřidá.
- Otazník vs. tečka u řečnických otázek — ověřit podle kontextu a záměru mluvčího.
- Číslovky a zkratky na konci věty nebo v poloze, kde tečka může být nesprávně interpretována.
Co přijmout s kontrolou
- Tečky na konci jednoduchých vět s klesající intonací — zpravidla správně.
- Vykřičníky u emfatického projevu — pokud model přidal, zpravidla správně.
Nástroje pro druhou vrstvu kontroly
LanguageTool (open-source, jazykový korektor s českou podporou) dokáže identifikovat některé gramatické chyby, ale jeho síla je v pravopisu a morfologii — ne v syntaktické interpunkci. https://languagetool.org
Microsoft Word / Google Docs nabízejí automatickou jazykovou korekci pro češtinu jako druhý průchod. Opět: syntaktická interpunkce (chybějící čárka) není nutně pravopisná chyba — tyto korektory ji nemusí označit.
Pravidla českého pravopisu — ÚJČ AV ČR má online příručku dostupnou zdarma, která slouží jako závazná reference. https://prirucka.ujc.cas.cz
Závěr
Správná interpunkce není jen estetika — mění smysl věty. „Popravit nelze milovat" a „Popravit, nelze milovat" jsou klasickým příkladem, jak jedna čárka rozhoduje o obsahu. V méně dramatickém podání: chybějící čárka před vedlejší větou ve vědeckém textu nebo novinářském citátu je chyba, která snižuje důvěryhodnost.
Automatická interpunkce šetří čas. Doplní tečky, otazníky a část čárek správně. Ale nenahrazuje odpovědnost. Dvě minuty cílené kontroly čárek před vedlejšími větami a přímou řeči mohou zachránit celý dokument před nepříjemným nedorozuměním.
Praktické pravidlo: pokud závisí na interpunkci smysl věty, ověřte ručně. Pro vše ostatní důvěřujte algoritmu — a pak zkontrolujte výsledek poslechem.
Zdroje
- Tilk, O. & Alumäe, T. (2015). LSTM for Punctuation Restoration in Speech Transcripts. INTERSPEECH 2015.
- Pravidla českého pravopisu — Ústav pro jazyk český AV ČR. https://prirucka.ujc.cas.cz
- LanguageTool — open-source jazykový korektor. https://languagetool.org
4.
5.