Přepis nahrávek v jiných jazycích: v čem modely vynikají a kde se potýkají

Kdo studuje, zkoumá nebo pracuje mezinárodně, skončí s nahrávkami ve více než jednom jazyce: rozhovor v turečtině, rodinná nahrávka v arabštině, hostující přednáška v angličtině, schůzka, kde se střídá polština s němčinou. Moderní rozpoznávání řeči to zvládá překvapivě dobře — pokud znáte jeho slabá místa.

Kolik jazyků modely rozpoznávají?

Whisper od OpenAI byl trénován na 99 jazycích; Sprechverlauf používá rychlý Whisper Large v3 Turbo v bezplatné zkušební verzi. Microsoft MAI-Transcribe-2, model v placených tarifech, podle své karty modelu podporuje 60 jazyků a rozlišuje i mluvčí. Microsoft uvádí průměrnou míru chybovosti slov 5,2 % na benchmarku FLEURS. Jde o průměr: velké jazyky s množstvím tréninkových dat dopadají lépe, vzácnější hůř.

Úskalí 1: příbuzné jazyky

Chorvatština, srbština a bosenština; hindština a urdština; malajština a indonéština: tyto jazyky znějí tak podobně, že automatická detekce jazyka může u krátkých ukázek selhat. Srbský rozhovor se může objevit v chorvatském pravopisu nebo urdština v písmu dévanágarí místo arabského písma. Oprava je jednoduchá: před začátkem jazyk vyberte výslovně.

Úskalí 2: dialekty a slang

Nejjasnějším příkladem je arabština: egyptská, levantská a marocká arabština se hodně liší, přesto se většina psaného textu píše v moderní standardní arabštině. Modely mají tendenci mluvený dialekt vyhlazovat ke spisovnému jazyku nebo špatně slyšet regionální slova. Totéž, v menší míře, platí pro švýcarskou němčinu, brazilskou portugalštinu nebo kantonštinu.

Úskalí 3: tónové jazyky a písma bez mezer

V čínštině, vietnamštině nebo thajštině mění výška tónu význam slabiky. Dozvuk, hudba a silná komprese právě tohle rozmazávají — čistá nahrávka tu váží dvojnásob. Čínština, japonština a thajština také neoddělují slova mezerami; model musí hranice slov určit sám. Jména a odborné termíny pečlivě zkontrolujte.

Úskalí 4: přepínání jazyků během rozhovoru

V mnoha rodinách a týmech lidé přepínají jazyk uprostřed věty. Pokud vynutíte jeden jazyk, model musí všechno zapsat v něm. U smíšených nahrávek je lepší volba „automaticky“; Microsoft uvádí, že MAI-Transcribe-2 je pro tento druh přepínání kódů navržen.

Stručně

• Jeden jazyk: před začátkem ho vyberte, zvlášť u krátkých ukázek a příbuzných jazyků.
• Více jazyků v jednom rozhovoru: nechte „automaticky“.
• Dialekt: počítejte s odchylkami a citace ověřte podle časové značky.
• Tónové jazyky: nahrávejte čistě, bez hudby na pozadí.