Přesnost překladu schůzek
v reálném čase

Nástroje pro překlad schůzek v reálném čase dosahují 85–95% přesnosti převodu řeči na text u čistého anglického audia, přičemž u vícejazyčných hovorů s hlukem na pozadí klesají na 65–80%. Překlad přidává druhou proměnnou: dvojice EN-ES a EN-FR dosahují na moderních LLM pipeline zhruba 88–92 %; EN-ZH a EN-JA klesají na 75–82 %. Tady je, co tato čísla znamenají v praxi, a jak si vedou čtyři přední nástroje.

Tři minuty po začátku hovoru váš tokijský klient řekne 「ちょっと難しいです」. Titulek zní: „Trochu obtížné.“ Přikývnete a přejdete na další snímek. O čtyřicet sedm minut později zjistíte, že tím myslel: „To pro nás nebude fungovat.“ Nešlo o selhání překladu. Jen o selhání kontextu, které by lepší model přesnosti mohl zachytit. O tenhle rozdíl v článku jde.

Tvrzení o přesnosti jsou všude. Ověřená, na schůzky zaměřená měřítka, která pokrývají celý řetězec od řeči přes text až po překlad, jsou téměř k nenalezení. Provedli jsme 30minutový bilingvní obchodní hovor EN+ZH přes čtyři hlavní nástroje a výsledky jsme zkombinovali s veřejnými daty z WMT 2024 a datasetu výzvy CHiME-6. Tady je, co jsme zjistili.

Jak se měří přesnost překladu v reálném čase

Word Error Rate: benchmark pro STT

Word Error Rate (WER) měří procento slov, která systém rozpoznávání řeči určí chybně. 5% WER ve větě o 100 slovech znamená, že 5 slov bylo nesprávných, nahrazených nebo chybějících. Špičkové systémy dosahují 5–8% WER u čistého, kontrolovaného audia. Zvuk ze schůzek je náročnější.

Hluk na pozadí, více mluvčích, mikrofony v notebooku a nepůvodní přízvuk konzistentně zvyšují WER na 15–25 % v reálných podmínkách schůzek, podle výsledků výzvy CHiME-6 na přirozeně vzniklých datech ze schůzek. To je rozdíl mezi „schválit rozpočet“ a „prokázat tuk“, chyby, které pak následný překlad přebírá.

Streamovací STT přidává další vrstvu. Systémy v reálném čase potvrzují dočasné tokeny slov ještě před dokončením věty a pak je upravují, jak přichází další audio. Tahle průběžná sebekorekce po slovech je to, co dává streamování pocit rychlosti, ale znamená to, že titulek ve 2. sekundě se může lišit od titulku ve 4. sekundě. Konečný potvrzený text je to, co měří benchmarky přesnosti; živý přepis je to, na čem závisí vaše schůzka.

Skóre BLEU a kvalita strojového překladu

Skóre BLEU (Bilingual Evaluation Understudy) měří, jak blízko se strojový překlad blíží lidskému referenčnímu překladu. Skóre se pohybuje od 0 do 100. Cokoli nad 50 je považováno za silný výsledek; většina enterprise MT systémů dosahuje na běžných jazykových párech ve WMT 2024 skóre 40–60.

EN-ES a EN-FR v moderních LLM pipeline konzistentně dosahují 52–60 BLEU. EN-ZH a EN-JA se pohybují na 35–48, ne proto, že by AI překlad byl horší, ale protože strukturální rozdíly (pořadí slov, žádné mezery mezi znaky, význam závislý na kontextu) znamenají, že automatické hodnocení penalizuje správné překlady, které se neshodují s referencí doslova slovo od slova.

Pro použití v reálném čase je důležitý jeden detail: BLEU se počítá na úrovni dokumentu. Streamovací překlad pracuje s útržky vět, někdy s jednotlivými slovy. Efektivní kvalita na úrovni věty bývá o 10–15 bodů nižší, než naznačují dokumentové benchmarky. To, co v laboratoři vypadá dobře, často selhává ve čtvrté minutě rychlé obchodní schůzky.

Problém pipeline, o kterém nikdo nemluví

Překlad schůzek má dva kroky: řeč na text, pak text na překlad. Chyby v prvním kroku se přenášejí do druhého. 10% WER znamená, že zhruba jedno slovo z deseti je špatně. Když je tím chybným slovem jméno, číslo nebo negace, „neschváleno“ se změní na „schváleno“, překlad chybu převezme a často ji ještě zesílí.

Odhadujeme, že 10% WER ve STT může u obchodní slovní zásoby vyústit ve 20–30% sémantické zhoršení na výstupu překladu, protože MT model nemá způsob, jak poznat, že zdrojové slovo bylo chybné. Proto benchmarkování STT a MT odděleně míjí podstatu. Číslo, na kterém záleží, je kvalita celého řetězce na skutečném zvuku ze schůzky.

5 faktorů, které ovlivňují přesnost překladu v reálném čase

1. Kvalita zvuku a hluk na pozadí

Hluk na pozadí je zdaleka největší faktor přesnosti, větší než volba STT enginu. V našem testování zvýšila změna z USB headsetu na vestavěný mikrofon notebooku v tiché místnosti WER o 5–8 procentních bodů. Přidání běžného hluku z open space prostředí to posunulo o 15–20 bodů nad výchozí hodnotu.

Konferenční reproduktorové telefony jsou obzvlášť náročné. Zvuk se odráží od stěn, více mluvčích se překrývá a mikrofon je daleko od každého hlasu. WER v těchto podmínkách běžně přesahuje 25 % i u nejsilnějších STT enginů. USB headset za 30 € udělá pro přesnost víc než přechod na prémiový nástroj se špatným mikrofonem.

2. Tempo mluvčího a přízvuk

Rychlí mluvčí, nad 180 slov za minutu, zatěžují streamovací STT, protože buffer nedokáže uzavřít segmenty dřív, než dorazí další dávka řeči. Přesnost u rychlé řeči klesá o 5–10 % oproti běžnému konverzačnímu tempu. Zpomalit o 15–20 % v kritických momentech je nejjednodušší zlepšení přesnosti, které nevyžaduje žádnou změnu softwaru.

Angličtina s přízvukem vykazuje jemnější vzorec. Hlavní STT systémy se za poslední dva roky výrazně zlepšily u běžných nepůvodních přízvuků. Naše streamovací STT benchmarky si vedou obzvlášť dobře u angličtiny s asijským přízvukem ve srovnání s Whisperem, což je relevantní pro hlavní use case MirrorCaptionu: schůzky EN-ZH a EN-JA. Silné regionální přízvuky a přepínání jazyků uprostřed věty zůstávají pro všechny systémy náročnější.

3. Obtížnost jazykové dvojice

Ne všechny dvojice jsou v reálném čase stejně těžké na překlad:

• Snadné dvojice (EN-ES, EN-FR, EN-DE, EN-PT): ~88–92 % na GPT-4 pipeline. Společné kořeny slovní zásoby, podobná stavba vět, rozsáhlá trénovací data.
• Středně obtížné dvojice (EN-RU, EN-AR, EN-HI): ~80–86 %. Odlišné písmo nebo pořadí slov vytváří nejednoznačnost; méně trénovacích dat pro obchodní slovní zásobu.
• Těžké dvojice (EN-ZH, EN-JA, EN-KO): ~75–82 %. Logografické nebo aglutinační písmo, žádné mezery mezi slovy, bohaté zdvořilostní systémy a strukturální rozdíly, které vyžadují kontext celé věty pro správné vyřešení.

Streamovací systémy jsou u těžkých dvojic penalizovány více, protože potvrzují překlady s částečným kontextem, pracují s útržkem věty, ne s kompletním výrokem. Tady je rozdíl mezi streamem a dávkovým zpracováním největší.

4. Kompromis mezi streamováním a dávkovým zpracováním

Nástroje po schůzce, jako Otter.ai, zpracují po skončení hovoru celé audio s plným kontextem vět. Proto Otter dosahuje 90–95% přesnosti u čisté angličtiny — počká si na všechno, než něco potvrdí. Streamovací nástroje v reálném čase potvrzují do 500 ms. To je ten kompromis, a je skutečný.

Podívejme se ale na alternativu. Priya vede přeshraniční obchodní hovory mezi svým týmem v Bombaji a japonskými enterprise klienty. Po jednom obzvlášť matoucím hovoru začala používat nástroj na přepis po schůzce. Dostal z toho uhlazené shrnutí přesně toho, co už se předtím pokazilo. Námitka k ceně, kterou přehlédla, byla v přepisu v 12. minutě. Přečetla si ji v 75. minutě, až po skončení hovoru.

Přepis s 92% přesností, který dorazí až po hovoru, vám nepomůže reagovat na námitku k ceně ve 12. minutě. Titulek s 84% přesností, který se objeví, zatímco mluvčí ještě mluví, ano. Přesnost není hlavní metrika pro živá rozhodnutí. Je jí načasování.

5. Vkládání kontextu a odborná slovní zásoba

Obecné LLM modely pro překlad mají problém s technickou obchodní slovní zásobou, názvy produktů, finančními termíny, regulačními formulacemi. „Strike“ znamená něco jiného v baseballu, pracovním právu a bowlingu; kontext určuje co. Překlad jedné věty často sáhne po nejběžnějším významu a zvolí špatně.

MirrorCaption vkládá do každého překladu předchozí 3–5 konverzačních segmentů. Díky tomuto kontextovému oknu model pozná, zda mluvíte o „uzavření obchodu“ v prodejním kontextu, nebo o „stávce“ v pracovněprávním kontextu. Naše interní testování ukazuje, že tento přístup zlepšuje přesnost odborné slovní zásoby asi o 15–20 % ve srovnání s překladem jedné věty na stejném audiu. Vkládání kontextu je nejdůležitější při code-switchingu, tedy v okamžiku, kdy mluvčí uprostřed konverzace přepne z jednoho jazyka do druhého, přesně tam se kontextově slepý MT rozpadá nejrychleji.

Benchmarkování hlavních nástrojů pro překlad v reálném čase v roce 2026

Kvalita překladu = kombinovaná pipeline STT+MT na zvuku z obchodních schůzek. Zdroje: výsledky sdílené úlohy WMT 2024, data z výzvy CHiME-6, praktické testování. Přesnost STT Otteru u čisté angličtiny (po zpracování) je ~90–95 %, označení N/A odráží absenci překladu v reálném čase, nikoli kvalitu STT.

Zoom AI Companion

Zoom AI Companion nabízí živý překlad pro omezený počet jazykových párů, zhruba pět kombinací včetně EN-ES, EN-FR, EN-JA a EN-ZH. Přesnost STT u čisté angličtiny je konkurenceschopná, v našem testování kolem 86–90 %. Kvalita překladu EN-ES byla solidní, kolem 89 %. EN-ZH klesla u obchodní slovní zásoby, zejména u vlastních jmen a názvů produktů, které se objevovaly nekonzistentně.

Tvrdým omezením je uzamčení na platformu. Zoom AI Companion funguje pouze uvnitř Zoomu. Pokud váš protějšek používá Teams, nebo vedete osobní rozhovor s klientem, potřebujete jiný nástroj. Překlad také vyžaduje konkrétní placené tarify, není dostupný v základní licenci.

Google Meet Live Translation

Živý překlad v Google Meet je rychlý, zdarma v rámci Google Workspace a silný u běžných evropských dvojic. Kvalita EN-ES a EN-FR v našem testování byla asi 88 %. EN-ZH dosáhla 76–80 % u obecných obchodních frází a dále klesala u technické slovní zásoby a vlastních jmen. Model Googlu defaultně volí nejběžnější význam nejednoznačných frází, což vytváří problémy, když se název firmy nebo produktu střetne s běžným mandarínským slovem.

Klíčové omezení je, že titulky jsou pomíjivé. Neexistuje exportovatelný přepis, přiřazení mluvčích ani AI shrnutí. To, co bylo v okně titulků před třemi minutami, je pryč. Pokud potřebujete zkontrolovat, co zaznělo, vyhledat frázi nebo sdílet záznam s kolegou, který na hovoru nebyl, Google Meet vám nepomůže.

Otter.ai

STT přesnost Otter.ai po schůzce v angličtině je vynikající, 90–95 % u čistého audia, nejlepší v tomto seznamu, protože čeká na celý záznam, než něco potvrdí. Kvalita je znát. Přepisy Otteru jsou uhlazené a čitelné způsobem, jakým výstupy streamování v reálném čase nejsou.

Otter ale nenabízí překlad v reálném čase. Překlad je doplněk, který běží po schůzce a vytváří přeloženou verzi anglického přepisu. Pro interní shrnutí pouze v angličtině je Otter vynikající. Pro bilingvní schůzku, kde potřebujete reagovat na to, co se říká právě teď, nepomůže. Podívejte se na podrobné srovnání funkcí v článku MirrorCaption vs. Otter.ai.

MirrorCaption (Streaming STT + GPT-4)

Pipeline MirrorCaptionu používá naše streamovací STT přes WebSocket pro přepis a GPT-4 pro překlad, přičemž do každého volání se jako kontext vkládá předchozích 3–5 konverzačních segmentů. End-to-end latence je pod 500 ms. Výstup po slovech se objevuje, zatímco mluvčí ještě mluví; průběžné tokeny se samy opravují, jak přichází další kontext.

Přesnost STT v našem testu byla ~88–92 % u čistého anglického audia. U smíšených segmentů s přízvukem EN+ZH klesla na ~78–84 %. Kvalita překladu EN-ZH u obchodní slovní zásoby: ~80–85 %, pod izolovanými benchmarky pro EN-ES, ale nad nimi u vícekrokového obchodního kontextu, kde záleží na předchozích segmentech. Upřímné omezení: u jazykových párů s nízkými zdroji mimo hlavních 60+ podporovaných jazyků nemá překlad podpořený GPT specializovaný doménový trénink, který naše STT pokrývá na straně audia.

Proč asijské jazykové dvojice vyžadují jiný přístup

Hiroshi vede inženýrský tým v Tokiu, který reportuje americkému produktovému vedoucímu. Jejich týdenní standup probíhá v angličtině, Hiroshiho druhém jazyce, mluveném dobře, ale ne jako rodným. Jednoho čtvrtka se americký vedoucí zeptal na termín dodání funkce. Hiroshi odpověděl: „We can try to make that date.“ V japonské pracovní kultuře tato fráze nese silnou implicitní pochybnost. Je to zdvořilý způsob, jak říct „ne, pravděpodobně ne“. V anglické obchodní kultuře zní „we can try“ jako opatrný optimismus. Produktový vedoucí označil funkci za závazek. O dva týdny později tým nestihl termín, který si všichni na Hiroshiho straně už soukromě přiznali jako nereálný.

V tom hovoru žádný překladový nástroj neselhal. Konverzace probíhala v angličtině. Selhal rozdíl mezi slovy a kulturním registrem, a ten je největší u asijských jazykových dvojic.

Strukturální důvody jsou konkrétní. Japonština a čínština vyjadřují význam prostřednictvím kontextu, vztahu a pořadí slov způsoby, které evropské jazyky nemají. 「ちょっと難しいです」 jsou v japonštině tři tokeny, doslova „trochu obtížné“, ale v obchodním vyjednávání to signalizuje vážnou pochybnost nebo zdvořilé odmítnutí. Překlad EN-ES s tímto problémem nebojuje v takové míře, protože španělština a angličtina sdílejí stavbu vět i konvence přímosti.

Pro vícejazyčné vzdálené týmy pracující napříč japonštinou, čínštinou nebo korejštinou je praktický závěr tento: procenta přesnosti pro asijské jazykové dvojice budou vždy nižší než u evropských dvojic, bez ohledu na to, jaký nástroj použijete. Rozdíl mezi nástroji není jen v čísle, ale v tom, zda systém vkládá dostatek konverzačního kontextu, aby zachytil případy, kdy doslovný překlad mate.

Vkládání kontextu pomáhá. Nevyřeší každý rozdíl v kulturním registru. U vysoce rizikových jednání na asijských trzích si vyhraďte čas na upřesnění rozpočtu a zvažte kombinaci AI překladu s lidským moderátorem, který zná oba jazyky. Nástroj zvládne objem; člověk zachytí nuance, které nástroj mine.

5 způsobů, jak zlepšit přesnost překladu v reálném čase

1. Používejte headset, ne mikrofon v notebooku. To je změna s největším dopadem. USB nebo Bluetooth headset umístěný blízko úst snižuje okolní hluk a eliminuje většinu problémů s ozvěnou. Snižuje WER o 5–15 procentních bodů ještě před jakoukoli změnou softwaru.
2. Nastavte zdrojový jazyk explicitně. Automatická detekce funguje ve většině případů, ale přidává zpoždění a občas špatně identifikuje prvních pár sekund hovoru. Nastavení zdrojového jazyka na EN nebo ZH na začátku relace eliminuje chyby při rozjezdu u kritického úvodního obsahu.
3. Začněte 60 sekundami kalibračního audia. Neformální small talk před programem dá STT enginu čas přizpůsobit se vašemu hlasu, místnosti i síti. Kvalita přepisu prvních 60 sekund relace je konzistentně horší než zbytek hovoru. Nezačínejte tím nejdůležitějším.
4. Sledujte slova, která se sama opravují. V režimu streamování se občas objeví slovo, a pak se změní, jak přichází další kontext. Když se to stane, finální verze je spolehlivější, systém dostal dost signálu, aby upravil svůj původní odhad. Slova, která zůstala beze změny, byla potvrzena s vysokou jistotou.
5. U hovorů EN-ZH nebo EN-JA si vyhraďte čas na upřesnění. Počítejte s přesností kolem ~75–85 % u těchto dvojic a plánujte podle toho. V kritických bodech rozhodování, ceny, závazky, změny rozsahu, si vytvořte 15sekundovou potvrzovací smyčku: „Nechte mě potvrdit, že jsem to pochopil správně.“ Je to rychlejší než později rozplétat nedorozumění.

Často kladené otázky

Správná otázka nezní „nejpřesnější“

Přesnost překladu v reálném čase je otázka pipeline, ne jednoho čísla. Přesnost STT, kvalita překladu, obtížnost jazykové dvojice, vkládání kontextu i latence se navzájem ovlivňují. Nástroj, který dosáhne 95 % na čistém anglickém benchmarku a 72 % na skutečném obchodním hovoru EN-ZH, není pro váš tým nástroj s 95% přesností.

Nástroje, které v praxi fungují nejlépe, vyvažují všechny čtyři dimenze: dostatečně rychlé na čtení během hovoru, dostatečně přesné na zachycení záměru, upřímné ohledně limitů a neuzamčené na jednu platformu. Pro překlad schůzek v reálném čase, který funguje napříč jazykovými páry a platformami bez meeting bota, je to základ, kolem kterého je MirrorCaption postaven.

Pokud jste dosud netestovali svůj současný nástroj na jazykových párech, které jsou pro vaše schůzky skutečně důležité, je čas to udělat. Dvě hodiny zdarma měsíčně, bez nutnosti platební karty.