Nahrávka, soubor, stream: jak dodat zvuk ke zpracování a na čem záleží

Přepis nezačíná kliknutím na tlačítko. Formát nahrávky, vzorkovací frekvence, počet kanálů a způsob přenosu zvuku — každý z těchto parametrů ovlivňuje, jak rychle a přesně zpracování proběhne. Tento průvodce vysvětluje, co za výběrem formátu stojí a co doporučit pro nejčastější situace.

Tři způsoby, jak dodat zvuk — a co každý znamená

Nahrání hotového souboru

Nejčastější případ: uživatel má hotovou nahrávku uloženou v počítači nebo v cloudu a chce ji přepsat. Výhody jsou zásadní: lze zkontrolovat kvalitu zvuku před odesláním, přidat vlastní terminologii, v případě potřeby zpracování opakovat s jiným nastavením nebo modelem.

Vhodné pro: rozhovory, přednášky, porady, podcasty — vše, co bylo zaznamenáno předem.

Nahrávání přímo v nástroji

Uživatel nahrává zvuk přímo přes webové rozhraní nebo mobilní aplikaci a odesílá ho ke zpracování bez mezikroku. Výhoda: žádné čekání na nahrání, přímá cesta. Riziko: špatná akustika nebo nekvalitní mikrofon plus okamžité odeslání bez kontroly. Nahrávku nelze zkontrolovat předem — chyba v nahrávání se projeví až na výsledku přepisu.

Doporučení: před důležitým záznamem vždy provést testovací nahrávku a přehrát ji.

Streamování — živý přepis v reálném čase

Zvuk přichází průběžně (mikrofon, VoIP hovor, živé vysílání) a přepis se zobrazuje průběžně — s latencí v řádu desetin sekund až jednotek sekund. Technicky jde o jiný přístup než dávkové zpracování: model nečeká na celý soubor, pracuje s krátkými zvukovými rámci bez znalosti budoucích slov.

Důsledek pro přesnost: streamovací přepis je zpravidla méně přesný než dávkové zpracování celého souboru, protože model postrádá kontext budoucích slov pro rozhodnutí o aktuálním. O srovnání reálný čas versus dávkové zpracování podrobněji A15.

Formáty audio souborů — co je co a proč záleží

Bezztrátové formáty: WAV a FLAC

WAV je nekomprimovaný formát. Soubor obsahuje přesnou číselnou reprezentaci zvuku bez jakékoli komprese. Pro přepis je to ideální základ — žádná informace nebyla při ukládání ztracena.

FLAC je bezztrátová komprese. Soubor je menší než WAV, ale zvuk je mathematicky identický — dekódováním se WAV plně rekonstruuje. Ideální pro archivaci nebo přenos při omezené šířce pásma.

Pro přepis: oba formáty dávají algoritmu maximum dostupné informace.

Ztrátové formáty: MP3, AAC, M4A, OGG

Ztrátové kompresní algoritmy odstraňují části zvukového spektra, které lidské ucho vnímá méně. Klíčový parametr je bitrate:

• 320 kbps MP3: téměř nerozlišitelné od WAV při poslechu; pro přepis plně dostatečné.
• 128 kbps MP3: standardní kvalita; pro přepis mluvené řeči zpravidla přijatelné.
• Pod 128 kbps: znatelná degradace; sykavky a hlásky s vysokými frekvencemi jsou postiženy jako první — a právě tyto hlásky jsou pro rozlišení slov důležité.

M4A (formát Apple, kodek AAC) ze smartphonu: standardně dobrá kvalita, 128–192 kbps, vzorkovací frekvence 44,1 kHz. Pro přepis mluvené řeči plně dostačující.

Video soubory: MP4, MOV, MKV

Přepisové služby extrahují zvukovou stopu automaticky. Zvuk z videa je zpravidla dostatečný, pokud bylo video natočeno s přijatelným mikrofonem. Záznamy z videokonferencí (Zoom, Teams) závisí na nastavení platformy — Free plán Zoom použije nižší bitrate než Pro plán.

Telefonní nahrávky (8 kHz) — zvláštní případ

Telefonie pracuje s vzorkovací frekvencí 8 kHz — zachytí pouze frekvence do 4 kHz. Velká část řečového spektra (4–8 kHz) fyzicky chybí: sykavky „s", „š", „z", „ž" a většina souhlásek jsou v tomto pásmu. Modely trénované na 16 kHz dostávají z telefonní nahrávky neúplný signál a přesnost přepisu je výrazně nižší.

Doporučení pro telefonní záznamy: kde je to možné, nahrávat přes aplikaci s vyšší kvalitou (například nahrávací aplikace s nastavením kvality). Standardní telefonní hovor přes GSM je pro přepis technický limit.

Vzorkovací frekvence a počet kanálů

Vzorkovací frekvence — 16 kHz stačí

16 kHz je standard pro ASR (automatic speech recognition). Whisper, Google STT, Deepgram — všechny jsou primárně trénované na tomto standardu.

44,1 kHz nebo 48 kHz je hudební standard — pro přepis nadbytečné. Model data interně downsampluje. Výsledná přesnost není vyšší, soubor je zbytečně větší.

8 kHz (telefon) je podstandard — viz výše.

Praktické doporučení: nahrávat ve 44,1 kHz (standard smartphonů a nahrávacích aplikací). Model si zbytek zařídí.

Mono vs. stereo — záleží na situaci

Stereo nahrávka má dva kanály. Mohou to být skutečně různé zdroje na každém kanálu — nebo jen zdvojení téhož mono signálu.

Kdy je stereo výhoda: Rozhovor dvou lidí, kde každý mluví do vlastního mikrofonu napojeného na vlastní kanál stereo nahrávky. Diarizační algoritmus pak dostane každý hlas odděleně — bez přeslechů od druhého mluvčího. Výsledky diarizace jsou výrazně spolehlivější A04.

Kdy stereo nepomáhá: Jeden mikrofon, nahrávající do stereo souboru. Oba kanály jsou identické — žádná výhoda, dvojnásobná velikost souboru.

Doporučení: Dva mluvčí na dvou mikrofonech → stereo (každý na svém kanálu). Jeden mikrofon → mono stačí.

Praktická doporučení pro nejčastější situace

Smartphone: Formát M4A (iOS) nebo MP3/AAC (Android), 44,1 kHz, 128–192 kbps — přijatelné pro přepis mluvené řeči. Klíčový parametr: vzdálenost od úst (optimálně 15–25 cm) a tichá nahrávací podmínky.

Zoom nebo Teams: MP4 (video) nebo M4A (audio). Tip pro Zoom Cloud Recording: funkce „Record each participant separately" ukládá každého mluvčího na vlastní audio soubor — ideální pro diarizaci. nastavení Zoom Cloud Recording

Profesionální podcast: WAV 44,1 kHz, každý mluvčí na vlastním kanálu nebo souboru. Výsledek přepisu bude z typických situací nejlepší.

Archivní nebo nekvalitní nahrávka: Nejprve zvážit základní čištění zvuku (Audacity, Adobe Podcast Enhancer) před odesláním ke zpracování. Detailní postup viz [odkaz A12 — příprava nahrávky].

Přehled pro rychlé rozhodnutí:

Závěr

Formát souboru není prvořadá otázka — ale vzorkovací frekvence, bitrate a počet kanálů mohou přesnost přepisu znatelně ovlivnit. WAV nebo M4A ze slušného mikrofonu dá spolehlivě dobrý základ. Telefonní nahrávka v 8 kHz je fyzikální limit, který žádný model nepřekročí.

Nejdůležitější kroky před odesláním ke zpracování: ověřit, že zvuk není příliš tichý nebo zkreslený; preferovat bezztrátový nebo vysokokvalitní ztrátový formát; pro vícehlasé záznamy zvážit stereo s každým mluvčím na vlastním kanálu. Pro záznamy, kde je kvalita zvuku problémem, navazuje [odkaz A12 — příprava nahrávky].

Zdroje

1. Google Cloud Speech-to-Text — podporované audio kodeky a formáty. https://cloud.google.com/speech-to-text/docs/encoding
2. Deepgram — doporučené formáty a vzorkovací frekvence. https://developers.deepgram.com/docs/audio-formats
3. OpenAI Whisper — podporované formáty. https://platform.openai.com/docs/guides/speech-to-text
4. Zoom Cloud Recording — separátní nahrávání účastníků. https://support.zoom.us/hc/en-us/articles/recording

5.