Speech to Text aneb jak na Linuxu diktovat do libovolné aplikace

Aktualizace z července 2026: Původní článek jsem po roce a půl kompletně přepsal. Popisoval práci s dnes už neudržovaným nástrojem WhisperWriter. Mezitím vznikly lepší open-source aplikace a výrazně se zlepšily lokální modely.

Užitčné čtení z dubna 2026: What’s the best dictation app? I tried 21 Wispr Flow alternatives to find out.

Co používám

Handy + STT model Parakeet TDT 0.6B v3.

Stisknu klávesovou zkratku, mluvím česky, znovu stejná klávesová zkratka ukončí záznam a do pár sekund se přepis vloží na místo kurzoru - do internetového prohlížeče, terminálu, kamkoli.

Co stojí za vyzkoušení

Zaujaly mě tyhle tři nástroje:

Aplikace	Rozhraní	Přepis	Pro koho
Handy	GUI	lokální	nejpřístupnější varianta, snadná instalace i ovládání
VoxType	CLI	lokální	pro ty, kteří se obejdou bez GUI
OSTT	CLI	lokální i cloudový	kromě lokálních modelů je možné přes API použít například placený model ElevenLabs Scribe V2

Handy: nejjednodušší lokální řešení

Handy je open source pro Linux, Windows a macOS. Linuxový .deb stáhnu z GitHub Releases a nainstaluji například:

sudo apt install ./Handy_0.9.3_amd64.deb
sudo apt install xdotool

Při prvním spuštění vyberu:

Parakeet TDT 0.6B v3
Jazyk: Czech
Overlay: Žádné

Model se stáhne dodatečně a zabere přibližně 740 MB. Samotný .deb ho neobsahuje.

Zkoušel jsem i model Nemotron 3.5 Streaming - přepis se zobrazuje okamžitě, není třeba čekat na ukončení záznamu. Ale kvalita přepisu byla pro češtinu výrazně horší než u Parakeetu.

OSTT: terminál a ElevenLabs Scribe V2

OSTT je malá aplikace pro Linux a macOS. Nemá GUI: model, API klíče i historii spravuji přes terminál.

Z nejnovějšího vydání OSTT stáhnu Vulkan variantu:

ostt-vulkan_0.0.25-1_amd64.deb

Vulkan variantu volím kvůli lokálním modelům na AMD GPU. Pro samotný cloudový Scribe V2 stačí menší základní balíček ostt_0.0.25-1_amd64.deb.

Staženou Vulkan variantu nainstaluji:

sudo apt install ffmpeg ./ostt-vulkan_0.0.25-1_amd64.deb

OSTT umí lokální modely a cloudové služby jako OpenAI, Groq, Mistral nebo ElevenLabs. S výběrem pomůže dokumentace Choosing a model. Model a přístupové údaje nastavím interaktivně:

ostt auth
ostt model

Hlavní konfigurace se ukládá do ~/.config/ostt/ostt.toml. API klíče drží OSTT odděleně v ~/.local/share/ostt/credentials, kterému nastavuje přístupová práva 0600.

Pro ElevenLabs si nejprve vytvořím účet a API klíč na stránce ElevenLabs API Keys. V OSTT potom vyberu model scribe_v2. Nahrávka se při tomto nastavení odesílá na servery ElevenLabs. Podle ceníku ElevenLabs API stojí přepis modelem Scribe V2 0,22 USD (~ 4,7 Kč) za hodinu zpracovaného audia.

Pro srovnání ceník Groq uvádí 0,111 USD (~ 2,4 Kč) za hodinu přepisu modelem Whisper V3 Large a 0,04 USD (~ 0,9 Kč) za hodinu modelem Whisper Large v3 Turbo. Každý požadavek se účtuje nejméně jako deset sekund audia.

Kombinaci OSTT 0.0.25 Vulkan a ElevenLabs scribe_v2 jsem prakticky ověřil na Linux Mint 22.3 s i3. V ~/.config/i3/custom.conf mám nastavenou klávesovou zkratku Ctrl+Alt+D takto:

bindsym Ctrl+Mod1+d exec --no-startup-id ostt launch --paste

První stisk spustí nahrávání, druhý ho ukončí, odešle audio k přepisu a vloží výsledek do aktivní aplikace.

Autor projektu vysvětluje jeho zaměření a rozdíly proti ostatním nástrojům na stránce Why OSTT? - Compared with other open-source dictation tools. Užitečná je také diskuse mezi autory OSTT a Voxtype.

Srovnání modelů na stejných nahrávkách

Čtyři české nahrávky o celkové délce 263 sekund jsem bez postprocessingu přepsal třemi lokálními modely přes Handy CLI a cloudovým Scribe V2 přes OSTT.

Model	Nástroj	Provoz	Word error rate	Rychlost vůči realtime
Scribe V2	OSTT	cloud	1,23 %	6,8×
Whisper Large v3 Turbo	Handy	lokální	6,77 %	7,1×
Parakeet TDT 0.6B v3	Handy	lokální	8,92 %	31,0×
Nemotron Streaming 3.5	Handy	lokální	12,00 %	20,6×

Nezaujalo mě

OpenWhispr

OpenWhispr působí jako dílo AI. Obsahuje mraky funkcí, pro mě zbytečných.

Linuxový .deb má cca 450 MB, přestože hlavní STT model se stahuje zvlášť. Zdrojový kód má 100 tisíc řádků a například soubor ipcHandlers.js přes 9 tisíc řádků. Ale jejich blog může být užitečné čtení.

hyprwhspr

hyprwhspr pro Debian a Ubuntu nenabízí .deb. Doporučený instalátor místo toho naklonuje zdrojový repozitář, instaluje množství systémových a Python závislostí a vytváří uživatelské služby. Také prvotní nastavení je nezvykle složité.

Zdrojový kód ve mně navíc budí dojem málo kontrolovaného vývoje s výraznou pomocí AI. Z 921 analyzovaných funkcí překračovalo 93, tedy přibližně 10 %, kognitivní komplexitu 20. Nejsložitější setup_command dosáhla hodnoty 252.

Murmure

Murmure je naopak úzce zaměřené - stojí na modelu Parakeet TDT 0.6B v3 a jiný přepisovací model nenabízí. Proto raději Handy.

Závěr

Pokud chci GUI, volím Handy a model Parakeet TDT 0.6B v3. Funguje lokálně a český přepis je dobrý.

Pokud chci terminál, volím OSTT a výborný model ElevenLabs Scribe V2.