Na 200 nahrávkach zreteľnej slovenskej reči Transkripcia nesprávne prepísala 2,8 % slov. Whisper large-v3, otvorený model, na ktorom beží veľa bezplatných nástrojov, ich pokazil 9,5 %, teda 3,4-krát viac. Googlov Gemini bol približne rovnako presný: Flash 3,2 %, Pro 2,7 %. Test sme urobili 14. októbra 2026 v siedmich jazykoch; nižšie sú všetky výsledky aj presný opis metódy.
Čo znamená 2,8 % chybných slov
Miera sa volá WER (word error rate): podiel slov, ktoré musí človek opraviť, vymazať alebo doplniť, aby sa prepis zhodoval s originálom. 2,8 % znamená asi 3 opravy na 100 slov. Nižšie číslo je lepšie.
V slovenčine sa každá nesprávna koncovka počíta ako celé chybné slovo: „rozhodnutím“ namiesto „rozhodnutí“ je jedna chyba, hoci veta ostáva zrozumiteľná. Preto je WER pri jazykoch s pádmi spravidla vyšší ako pri angličtine, aj keď je prepis úplne použiteľný.
Výsledky pre slovenčinu
| Nástroj | Chybných slov | 95 % rozpätie |
|---|---|---|
| Transkripcia | 2,8 % | 1,9–3,8 % |
| Whisper large-v3 | 9,5 % | 8,2–10,9 % |
| Gemini Flash | 3,2 % | 2,1–4,6 % |
| Gemini Pro | 2,7 % | 1,7–4,0 % |
Rozdiel oproti Whisperu je veľký a spoľahlivý: vo všetkých 1 000 opakovaných výberoch (pozri metódu nižšie) mal Whisper viac chýb. S oboma modelmi Gemini sme v slovenčine vyrovnaní; rozdiely sú menšie ako neistota merania.
Všetkých sedem jazykov
Rovnaký postup a rovnaký počet nahrávok sme použili pre všetky jazyky, ktoré pokrývajú naše stránky. Podiel chybných slov, nižšie je lepšie:
| Jazyk | Nahrávok | Transkripcia | Whisper large-v3 | Gemini Flash | Gemini Pro |
|---|---|---|---|---|---|
| slovinčina | 195 | 8,7 % | 20,2 % | 8,1 % | 7,5 % |
| chorvátčina | 199 | 5,5 % | 10,9 % | 5,6 % | 4,8 % |
| čeština | 192 | 4,3 % | 11,5 % | 3,4 % | 3,4 % |
| slovenčina | 200 | 2,8 % | 9,5 % | 3,2 % | 2,7 % |
| poľština | 199 | 3,9 % | 4,9 % | 3,1 % | 2,5 % |
| rumunčina | 200 | 3,1 % | 8,3 % | 3,9 % | 2,8 % |
| bulharčina | 197 | 4,3 % | 12,1 % | 6,2 % | 4,6 % |
Zhrnutie: Transkripcia robí v šiestich jazykoch 2- až 3-krát menej chýb ako Whisper. Pri poľštine je rozdiel menší (3,9 % oproti 4,9 %). S Gemini Flash sme vyrovnaní v slovinčine, chorvátčine a slovenčine, lepší v bulharčine a rumunčine, Flash je lepší v češtine a poľštine. Gemini Pro je asi o bod lepší v slovinčine, chorvátčine, češtine a poľštine, v ostatných jazykoch sme vyrovnaní.
Čísla porovnávajte medzi nástrojmi v rámci jedného jazyka, nie medzi jazykmi: slovinské nahrávky boli napríklad najťažšie pre všetky nástroje.
Čo tento test nehovorí
- Nahrávky sú zreteľne čítaná reč. Jeden hovoriaci, tichá miestnosť, vety z Wikipédie. Porady s viacerými ľuďmi, telefonáty a hluk prinášajú viac chýb všetkým nástrojom. O koľko viac, tento test nemeria.
- Čísla sa rátajú ako chyba, ak sú zapísané inak. „2026“ a „dvetisícdvadsaťšesť“ sú v teste rôzne slová. To zvyšuje výsledok všetkým nástrojom rovnako.
- Presnosť nie je všetko. Prepis s označením hovoriacich, časovými značkami a titulkami SRT ušetrí viac práce ako o bod menej chýb, ak text aj tak upravujete.
A čo nárečia?
FLEURS obsahuje spisovnú slovenčinu, takže nárečia tento test nemeria. Rozpoznávanie reči je trénované hlavne na spisovnom jazyku a médiách, preto rátajte s tým, že východniarsky, záhorácky či iný silný nárečový prejav dá viac chýb, najmä pri slovách, ktoré sa v spisovnom jazyku nepoužívajú. Mierne regionálne zafarbenie výslovnosti býva menší problém ako nárečová slovná zásoba.
Ak chcete vedieť, ako si nástroj poradí s vašimi nahrávkami, zoberte 2–3 minúty typickej nahrávky, prepíšte ich a spočítajte opravy. V Transkripcii je prvý súbor do 30 minút zadarmo.
Ako sme testovali
- Nahrávky: testovacia časť súboru FLEURS (Google, licencia CC BY 4.0), v ktorom rodení hovoriaci čítajú vety z Wikipédie. Pre každý jazyk sme pevnou hašovacou funkciou vybrali asi 200 nahrávok, spolu 33–41 minút zvuku na jazyk. Pre slovenčinu 200 nahrávok, teda 41 minút.
- Transkripcia: s rovnakými nastaveniami ako v aplikácii, teda s modelom ElevenLabs Scribe v2, ktorý používame na rozpoznávanie reči.
- Whisper large-v3: otvorený model od OpenAI, spustený cez faster-whisper, beam 5.
- Gemini: cez Google API, verzie gemini-3.8-flash a gemini-3.1-pro-preview.
- Hodnotenie: všetko malými písmenami, bez interpunkcie, potom podiel chybných slov cez všetky nahrávky spolu. Rozpätie ukazuje, kde ležal výsledok v 95 % z 1 000 opakovaných výberov nahrávok.
- Dátum: 14. októbra 2026. Niektorí hovoriaci začali vetu odznova; to prináša všetkým nástrojom rovnaké chyby.
Všetky prepisy a skript na zopakovanie testu máme uložené, takže test môžeme zopakovať, keď sa modely aktualizujú.