Globální jazyk videa: Jak technologie ACR umožňuje automatické titulkování a lokalizaci obsahu ve velkém měřítku

Úvod

Před třemi lety stála titulkování a dabing dramatu vyprodukovaného v Soulu pro jeden další trh přibližně stejně jako natočení celé epizody. Překlad do šesti jazyků znamenal najmutí šesti samostatných týmů překladatelů, dvě kola kontroly kvality pro každý jazyk, měsíce nahrávání v studiu s dabéry a lokalizační proces, který mohl prodloužit dobu uvedení z týdnů na čtvrtletí. Ekonomická logika byla nemilosrdná: takovou investici ospravedlňoval pouze obsah s prokázanou globální sledovaností. Všechno ostatní zůstávalo v zemi původu a naráželo na svou přirozenou hranici.

Tento výpočet se zásadně změnil a technologie, která tuto změnu pohání, čerpá z širšího spektra možností, než si většina lidí uvědomuje. Základním motorem je tzv. automatické rozpoznávání obsahu a ačkoli se tento pojem obvykle objevuje v diskusích o prosazování autorských práv a analytice reklamy, technologie automatického rozpoznávání obsahu se tiše staly infrastrukturnou vrstvou, díky níž je hromadná lokalizace ekonomicky životaschopná. Schopnost přesně identifikovat, co se říká, kým a v jakém časovém okamžiku – a tento obsah automaticky přeložit a přizpůsobit – propojuje fázi rozpoznávání přímo s následnými fázemi titulkování, dabingu a distribuce. Porozumění této souvislosti vyžaduje sledování toho, jak se obsah dostává od jednojazyčného záznamu k produktu, který lze distribuovat po celém světě, a kolik nyní stojí každá fáze této cesty.

Co má rozpoznávání společného s překladem

Definice lokalizace v éře streamování začíná identifikací. Než může dojít k jakémukoli překladu, musí systém pochopit, co zvukový záznam obsahuje: které části jsou řeč, které hudba nebo okolní zvuky, kdy se mění mluvčí a co který mluvčí říká v kterém okamžiku časové osy. To je problém rozpoznávání a jeho přesné vyřešení určuje kvalitu všeho, co následuje.

Technologie ACR zpracovává tuto identifikační vrstvu kombinací automatického rozpoznávání řeči (ASR) – které převádí mluvený zvuk na text – a zvukových otisků, které dokážou odlišit řeč od hudby, identifikovat, které části souboru obsahují chráněný obsah, a označit segmenty, které mohou během překladového procesu vyžadovat odlišné zacházení. Výstupem tohoto rozpoznávacího kroku je časově kódovaný přepis: strukturovaný dokument, který přiřazuje každé vyslovené slovo k přesnému okamžiku v audiu a vytváří tak surový materiál, z něhož se sestavují titulky a dabingové scénáře.

Bez spolehlivého rozpoznávání v této fázi produkuje překladový proces nepřesné titulky, které nejsou správně synchronizovány se zvukem, dabingové scénáře s nesprávně načasovanými spouštěcími body a lokalizovaný obsah, který na rodilé mluvčí na cílovém trhu působí nepřirozeně. Rozpoznávací vrstva není tou nejatraktivnější částí lokalizace obsahu – toto prvenství si obvykle odnáší AI dabing a klonování hlasu –, ale je to právě ona, která určuje, zda vše v následujících fázích funguje tak, jak má.

Proces: Od zvuku k divákům

Po přesném rozpoznání řeči následuje řada zpracovatelských kroků, z nichž každý prošel v posledních několika letech transformací díky strojovému učení. Neurální strojový překlad vezme časově kódovaný přepis a převede jej do cílového jazyka, přičemž zohledňuje nejen doslovný význam, ale i idiomatické výrazy, styl odpovídající dané postavě a omezení rychlosti čtení, která určují, kolik textu se může najednou objevit na obrazovce. Titulek, jehož přečtení by rodilému mluvčímu trvalo šest sekund, nelze přiřadit k dvousekundové mezeře ve zvuku – načasování určuje rozpoznávací vrstva a překladový model se jím musí řídit.

Problém segmentace titulků je složitější, než se na první pohled zdá. V angličtině se věta málokdy dělí na stejné přirozené pauzy jako její ekvivalent v korejštině, němčině nebo arabštině. Neuronové systémy trénované specificky na korpusech titulků se naučily předvídat, kde by v jednotlivých jazycích měly tyto pauzy být, aby se zachovalo srozumění, ale to vyžaduje trénovací data, která odrážejí skutečné vzorce titulkování, nikoli obecný překlad textu. Nejvýkonnější automatické systémy pro tvorbu titulků, které se v současnosti používají, kombinují přímý překlad řeči – který překládá přímo z původního zvukového záznamu, aniž by procházel textovým mezistupněm – s naučenými segmentačními modely, které řeší problém načasování společně s překladem, nikoli jako dodatečný krok.

V případě dabingu, na rozdíl od titulkování, je tento proces ještě rozsáhlejší. Po překladu musí systém převodu textu na řeč vygenerovat zvukový záznam v cílovém jazyce, který odpovídá načasování, emocionálnímu rejstříku a tempu původního mluvčího. Technologie klonování hlasu – která vytváří syntetický hlas podle charakteristik konkrétního mluvčího – umožňuje dabovaným verzím zachovat něco z hlasové identity původního herce napříč jazyky, namísto nahrazení každého mluvčího generickým lokalizovaným hlasem. Komponenta synchronizace rtů, která přizpůsobuje dabovaný zvuk tak, aby odpovídal pohybům úst viditelným v původním videu, dosáhla v roce 2025 komerční produkční kvality tempem, které by se ještě před třemi lety zdálo nepravděpodobné.

Jak to nyní vypadá v číslech

Ekonomickou transformaci, kterou tento proces přinesl, je snazší vyjádřit čísly, než ji plně pochopit. Dabování s podporou umělé inteligence snižuje náklady na lokalizaci o 70 až 90 procent ve srovnání s plně tradičními pracovními postupy a zkracuje produkční lhůty z měsíců na dny. K květnu 2025 klesly náklady na dabing s využitím umělé inteligence pro obsah v rozlišení 4K na jednu epizodu pod 200 dolarů – tato částka činí lokalizaci ekonomicky životaschopnou i pro kategorie obsahu, u nichž se dříve tyto výdaje nevyplatily: krátké dokumentární filmy, regionální dramata, vzdělávací seriály, nezávislé filmy.

Trh s generováním titulků pomocí umělé inteligence, který zahrnuje kompletní softwarovou sadu od rozpoznávání přes překlad až po načasování, měl v roce 2023 hodnotu přibližně 1,03 miliardy dolarů a podle prognóz by měl do roku 2032 dosáhnout 7,42 miliardy dolarů, přičemž bude růst tempem téměř 25 procent ročně. Nejrychleji se rozvíjí asijsko-pacifický region, a to díky jazykové rozmanitosti jeho streamovacího prostředí a rozsahu spotřeby mobilního videa: již samotná Indie představuje trh, kde obsah běžně vyžaduje adaptaci do více než tuctu významných jazyků současně, což je rozsah, který by tradiční lokalizace nikdy nemohla ekonomicky pokrýt.

Streamovací platformy, které zavedly rychlé vícejazyčné titulky, zaznamenaly měřitelné účinky na chování diváků. Odvětvová data z roku 2025 ukazují, že platformy nabízející okamžitou dostupnost vícejazyčných titulků při uvedení obsahu zaznamenávají v prvním týdnu přibližně o 40 procent vyšší celosvětovou sledovanost a míra udržení diváků stoupá o zhruba 25 procent, pokud je lokalizovaný obsah k dispozici v okamžiku vydání, nikoli až o několik týdnů později. Souvislost mezi rychlostí lokalizace a získáváním předplatitelů se posunula z roviny neoficiálních pozorování k měřitelným údajům, což urychlilo investice platforem do rozpoznávací a překladatelské infrastruktury, která rychlé nasazení umožňuje.

Netflix, Amazon a hybridní model

Platformy, které stojí v centru této změny, veřejně popsaly své přístupy, i když podrobnosti jsou nutně neúplné. Netflix jako základní krok používá systémy automatického rozpoznávání řeči k přepisu zvuku v celém svém katalogu a následně tyto přepisy zpracovává pomocí neuronových strojových překladatelských engineů, které pokrývají desítky jazyků. Výstup z těchto engineů je předtím, než se dostane k divákům, zkontrolován a upraven profesionálními lingvisty, čímž vzniká to, co společnost popisuje jako pracovní postup s lidským zásahem (human-in-the-loop), nikoli plně automatizovaný výstup.

Amazon Prime Video spustil v březnu 2025 pilotní projekt dabingu podporovaného umělou inteligencí, který v rámci explicitního hybridního modelu pokrýval dvanáct licencovaných titulů v angličtině a latinskoamerické španělštině. Společnost tuto iniciativu prezentovala jako opatření rozšiřující přístupnost – zpřístupnění dabingu pro obsah, který by za tradičních ekonomických podmínek dabován nebyl – a zároveň zdůrazňovala, že odborníci na lokalizaci zkontrolovali veškerý výstup z hlediska kvality a kulturní přesnosti. Formulace byla opatrná: nejde o to, že by automatizace nahrazovala lidské překladatele, ale o to, že díky automatizaci se lokalizace, která byla dříve nepraktická, stává komerčně životaschopnou.

Toto rozlišení má význam jak z komerčního, tak z etického hlediska. Když Amazon Prime Video v květnu 2024 uvedlo na španělsky mluvící trhy korejské seriály dabované pomocí umělé inteligence bez dostatečně zřetelného upozornění, reakce diváků byla velmi negativní a na sociálních médiích se široce šířily stížnosti na plochý a emocionálně nepřesvědčivý dabing. Tato negativní reakce vedla k rychlé korekci kurzu a přispěla k opatrnějšímu, výslovně hybridnímu pojetí pilotního projektu z roku 2025. Surové schopnosti této technologie předběhly kulturní připravenost publika přijmout nezveřejněné výkony generované umělou inteligencí.

Živé titulky a výzva v reálném čase

Technicky nejnáročnějším uplatněním procesů rozpoznávání řeči a generování titulků je živý obsah, kde nelze mezeru mezi řečí a titulky překlenout opakovanou lidskou úpravou. Sportovní přenosy, zpravodajské pořady, živé události i parlamentní jednání vyžadují titulky, které se objeví během několika sekund po vysloveném slově, v cílovém jazyce a s dostatečnou přesností, aby byly užitečné pro diváky, kteří nemají přístup k původnímu zvuku.

Rozpoznávání řeči založené na umělé inteligenci nyní poskytuje titulky v reálném čase pro živé události s přesností, která se podstatně zlepšila oproti počátkům automatického titulkování, kdy byly chyby natolik časté, že vedly k skutečně zavádějícímu textu. Systémy byly trénovány na specifickou slovní zásobu a řečové vzorce sportovního komentáře, politického diskurzu a zpravodajství jako na odlišné domény, což snížilo počet chyb, které jsou v každém kontextu nejdůležitější. Chyba ve výslovnosti sportovního komentátora má jiný význam než chyba politika, a chování systému při opravě chyb lze odpovídajícím způsobem vyladit.

U mezinárodních živých událostí – finále mistrovství světa, významného předávání cen, státního projevu – proces překladu v reálném čase zahrnuje rozpoznávání řeči (ASR) ve zdrojovém jazyce, souběžný neuronový strojový překlad do cílových jazyků a systémy pro formátování textu, které paralelně zpracovávají směr psaní, znakové sady a omezení rychlosti čtení pro každý výstupní jazyk. Celý proces, od vysloveného slova až po zobrazení titulků v jiném jazyce, nyní probíhá během několika sekund na dobře vybavené infrastruktuře, což umožňuje globální živé šíření obsahu s titulky, k čemuž dříve byly zapotřebí vícejazyčné vysílací týmy na každém cílovém trhu.

Rozměr přístupnosti

Lokalizace pomocí rozpoznávacích technologií s sebou nese rozměr přístupnosti, který je v diskusích zaměřených na komerční trhy často podceňován. Pro odhadovaných 1,5 miliardy lidí po celém světě, kteří trpí určitým stupněm ztráty sluchu, nejsou přesné automatické titulky pouhou vylepšující funkcí, ale nezbytnou podmínkou pro přístup k audiovizuálnímu obsahu. V mnoha jurisdikcích nyní požadavky na přístupnost vysílání nařizují titulky pro všechny živé pořady, což je standard, který by bez automatizovaných systémů rozpoznávání a titulkování byl ekonomicky neproveditelný.

Segment rozpoznávání řeči je jednou z nejrychleji rostoucích složek v rámci širšího trhu s technologií ACR právě proto, že jeho aplikace přesahují měření sledovanosti a prosazování autorských práv a zasahují do oblasti dodržování předpisů o přístupnosti. Stejné systémy, které identifikují mluvčí a přepisují jejich dialogy pro účely překladu, také pohánějí funkce přístupnosti, které regulační orgány v Evropě, Severní Americe a na stále větším počtu asijských trhů nyní vyžadují jako zákonné minimum. Pro vysílací společnosti a streamovací platformy běží případy použití v oblasti dodržování předpisů a komerční lokalizace na stejné rozpoznávací infrastruktuře, díky čemuž investice do této infrastruktury přinášejí současně více výhod.

Společnosti budující tuto infrastrukturu

Mezi společnostmi na trhu s technologií ACR, které budují rozpoznávací infrastrukturu umožňující lokalizaci, najdeme jak poskytovatele cloudových služeb hyperscale, tak specializované firmy zabývající se rozpoznáváním zvuku. API pro automatické rozpoznávání řeči (ASR) a překlad od Google Cloud slouží jako základní rozpoznávací vrstva pro mnoho lokalizačních pracovních postupů ve streamování, přičemž globální ředitel společnosti pro média a zábavu na počátku roku 2025 popsal tuto technologii jako technologii, která zásadně změnila logistiku a ekonomiku přizpůsobování obsahu pro regionální trhy. Služby AWS Transcribe a Translate od Amazonu zaujímají na trhu podobnou pozici.

Specializované společnosti zabývající se rozpoznáváním zvuku, včetně ACRCloud, Nuance Communications a VoiceBase, poskytují rozpoznávací funkce zaměřené na konkrétní obory – systémy trénované na rozhlasové vysílání spíše než na běžnou konverzační řeč, s pokrytím slovní zásoby a tolerancí šumu, jaké vyžaduje profesionální identifikace obsahu. Společnost Verbit, která kombinuje automatické rozpoznávání řeči s lidskou verifikací, obsluhuje trhy, kde jsou požadavky na přesnost natolik vysoké, že plně automatizovaný výstup vyžaduje doplňkovou kontrolu: soudní řízení, akademický obsah, zveřejňování finančních informací.

Širší trh s technologií ACR dosáhne v roce 2025 odhadované hodnoty 3,2 miliardy dolarů a do roku 2033 poroste na 16 miliard dolarů, přičemž rozpoznávání řeči tvoří jeden z nejrychleji se rozvíjejících funkčních segmentů vedle identifikace videa a analýzy v reálném čase. Lokalizační rozměr tohoto růstu odráží nově se objevující komerční realitu: rozpoznávání již nespočívá pouze v identifikaci toho, jaký obsah se právě přehrává. Jde o transformaci tohoto obsahu – o přeměnu korejského seriálu na produkt, který lze distribuovat po celém světě, o převedení zprávy generálního ředitele do deseti jazykových verzí současně nebo o převedení parlamentní debaty na titulky dostupné v reálném čase pro diváky, kteří je potřebují.

Slova, která překračují všechny hranice

Automatické rozpoznávání obsahu přineslo do lokalizačního odvětví zkrácení času, které mění ekonomiku toho, co se překládá a kdo to uvidí. Film, který by dříve oslovil tři trhy, nyní osloví dvanáct. Dokument, u kterého se nevyplatilo vynaložit plný rozpočet na dabing, nyní vychází v šesti jazycích s hlasovým doprovodem podporovaným umělou inteligencí a lidskou korekturou. Živá sportovní událost se během několika sekund po odpískání promění v titulky ve čtyřiceti jazycích. Vše umožňuje právě rozpoznávací vrstva – základní krok, při kterém systém rozpozná, co se říká a kdy. Následný překlad je pak viditelnější a dabovaný hlas emocionálně bezprostřednější. Právě rozpoznáváním však ve skutečnosti začíná cesta obsahu přes jazykové hranice.