Práce se zvukem a audiem 🎙️

Přepis nahrávek do textu

Automatický přepis mluveného slova (ASR – Automatic Speech Recognition) je jednou z nejzralejších a nejspolehlivějších oblastí AI. Dnešní modely zvládají češtinu s přesností, která ještě před třemi lety byla nedosažitelná.

• Whisper (OpenAI): Výkonný přepisovací model dostupný zdarma jako open-source. Zvládá češtinu, angličtinu i desítky dalších jazyků. Integrovaný přímo v macOS Sonoma a novějším přes funkci „Live Captions".
• Otter.ai: Cloudová služba zaměřená na přepis a záznamy schůzek. Automaticky rozlišuje mluvčí, vytváří přehledný zápis a umožňuje prohledávání nahrávek.
• MacWhisper: Nativní macOS aplikace postavená na Whisper modelu. Přepisuje lokálně bez odesílání dat na cloud – vhodné pro citlivé nahrávky.

Praktické použití: nahrajete si hodinu přednášky, schůzky nebo interview – a za pár minut máte kompletní přepis, ze kterého AI vytvoří strukturovaný zápis s klíčovými body.

Čištění a vylepšení nahrávek

Nahráli jste si poznámku na rušné ulici, v masérně nebo na chodbě? AI nástroje dokážou ze zvukového záznamu odstranit šum a vytvořit profesionálně znějící výsledek:

• Adobe Podcast Enhance: Bezplatná online služba. Nahrajete soubor, AI odstraní šum pozadí, vyrovná hlasitost a výsledek stáhnete. Funguje překvapivě dobře i na nahrávkách z levných mikrofonů.
• Auphonic: Profesionálnější varianta pro podcastery a tvůrce obsahu. Kromě čištění zvládá normalizaci hlasitosti dle standardů rozhlasového vysílání a přidávání metadat.
• Krisp: Aplikace, která funguje v reálném čase při hovorech – odstraňuje zvuky z pozadí při videokonferencích nebo nahrávání. Ideální pro home office nebo práci v hlučném prostředí.

• Odstranění ozvěny: I z nahrávky v koupelně nebo prázdné místnosti udělá zvuk jako ze studia.
• Potlačení hluku na pozadí: Vymaže projíždějící auta, hučení klimatizace nebo rozhovor v sousední místnosti.
• Vyrovnání hlasitosti: Pokud je jeden mluvčí potichu a druhý nahlas, AI to automaticky srovná na příjemnou úroveň.

Syntéza hlasu a čtení textu (TTS)

Dnešní syntetické hlasy už nezní jako roboti z osmdesátých let. Moderní TTS (Text-to-Speech) systémy jsou k nerozeznání od skutečného člověka – přirozeně dýchají, mění tempo, intonují otázky a dokonce vyjadřují emoce.

• ElevenLabs: Špičkový TTS nástroj s nejpřirozenějšími hlasy. Bezplatná verze nabízí omezený počet znaků měsíčně. Nabízí desítky hlasů, možnost klonování vlastního hlasu nebo přizpůsobení tempa a emocí.
• VoiceOver (macOS/iOS): Systémový odečítač obrazovky od Apple s velmi kvalitními hlasy pro češtinu. Pro nevidomé uživatele základ práce s jakýmkoliv textem na Macu nebo iPhonu.
• Přirozené čtení v prohlížeči: Safari nabízí funkci „Poslech článku", která přečte text webové stránky přirozeným hlasem. Dostupné přímo z adresního řádku.

Klonování hlasu je fascinující, ale i citlivá oblast – viz stránka o etice. Vytvářet hlas jiné osoby bez jejího souhlasu je neetické a v řadě zemí i protizákonné.

Tvorba hudby a zvukového prostředí

Potřebujete hudbu na pozadí pro video, podcast, prezentaci nebo pohádku? Dříve to znamenalo buď drahou licenci, nebo investici do hudebníka. Dnes stačí popsat, co chcete:

• Suno: Bezplatná a velmi schopná služba pro generování hudby. Zadáte textový popis (žánr, nálada, tempo, nástroje) a za minutu máte originální skladbu. „Klidná akustická kytara pro meditaci, bez bicích, tempo adagio."
• Udio: Alternativa k Sunu s důrazem na hudební přesnost a detailnější ovládání výsledku. Vhodné pro pokročilejší uživatele.
• Mubert: Generuje nekonečné hudební smyčky přizpůsobené vaší aktivitě nebo náladě. Výborné pro práci nebo masážní salon.

Automatický střih a editace nahrávek

Pokud tvoříte podcasty, videa nebo audionahrávky, AI vám ušetří hodiny manuální editace:

• Automatické mazání ticha: AI rozpozná a odstraní pauzy delší než nastavenou mez – výsledek zní kompaktněji bez zdlouhavého ručního střihu.
• Odstranění parazitních slov: Nástroje jako Descript nebo Podcastle dokážou automaticky vyhledat a odstranit výplňová slova jako „ehm", „vlastně" nebo „takže".
• Editace textem: Descript zobrazí přepis nahrávky jako textový dokument. Smažete slovo v textu – a z nahrávky zmizí odpovídající zvukový úsek. Intuitivní i pro nevidomé uživatele pracující s odečítačem.

Tip od Zdeňka

Zdeněk radí: Zvuk je pro mě klíčový – a AI mi v této oblasti změnila práci nejvíc. Automatický přepis poznámek z procházky, čistý hlas ve videu bez drahého mikrofonu, hudba do pohádek na objednávku. Začněte s Adobe Podcast Enhance – je zdarma, funguje okamžitě a výsledek vás překvapí. Je to jeden z těch nástrojů, kde AI skutečně dělá věci, které by jinak vyžadovaly profesionála.