Příprava studijních materiálů z nahrané přednášky je typickým příkladem práce, kterou generativní AI během krátké doby zásadně zjednodušila. Před dvěma lety jsem ručně přenášel nahrávku, přepis, slajdy a tři základní prompty mezi samostatnými nástroji. Dnes stačí k nahrávce a slajdům jediný pokyn, po kterém vznikne zkontrolované shrnutí, obsah nad rámec prezentace, slovníček a hotové PDF pro studenty.

Před dvěma lety jsem měl funkční postup, který by dnes působil skoro archeologicky. Nahrál jsem přednášku, nechal ji rozpoznat, otevřel web ChatGPT a vložil přepis. Pak přišly tři základní prompty: pro souhrn přednášky, obsah nad rámec slajdů a slovníček pojmů.

Na konci vzniklo chronologické shrnutí přednášky, přehled toho, co zaznělo nad rámec slajdů, a slovníček pojmů pro studenty. Výsledek byl užitečný. Cesta k němu byla ruční pipeline, ve které jsem suploval integraci mezi jednotlivými službami.

Tři prompty, které fungovaly

Ruční postup měl jednu výhodu: dobře jsem viděl, co se v každém kroku děje. Přepis zůstal oddělený od slajdů, takže se nejprve zachovala chronologie skutečného výkladu. Prezentace potom pomohla opravit odborné termíny a odlišit doplnění z hodiny od obsahu, který už studenti měli v PDF.

Bohužel jsem při každé přednášce opakoval stejnou sadu mechanických úkonů. Nahrát soubor, stáhnout přepis, přenést text, přiložit slajdy, hlídat prompty a nakonec z výsledku vyrobit dokument. Na jednu přednášku to šlo. U celého semestru začalo být zřejmé, že kolečko potřebuje automatizaci.

Od přednášky k prototypu

V září 2025 jsem tento postup ukázal na AI Monday Plzeň. V listopadu jsem o AI ve vysokoškolské výuce mluvil také na Dnech AI na ZČU. V té době už postup nebyl pouze soukromým experimentem: používal jsem jej při výuce a mohl popsat jeho přínosy i místa, kde stále potřebuje lidskou kontrolu.

Další posun přišel se studenty na AimtecHackathonu 2026. Z prototypování vznikl uTeach AI, který vede uživatele od nahrávky přes přepis a shrnutí až k exportu. Pro samotné zpracování využívá malé lokální jazykové modely.

Webová aplikace ukázala, že se celý postup dá zabalit do jednoho nástroje. Zároveň stále potřebovala vlastní rozhraní a pevně připravený proces. Mezitím se rychle posouvaly nástroje, které dokážou postup sestavit a provést podle popsaných pravidel.

Vedlejší produkt z Oxfordu

Během workshopu o agentní AI v Oxfordu jsem lidem mimo IT ukazoval praktické použití Codexu. Potřeboval jsem, aby agent dokázal spolehlivě poslat nahrávku do UWebASR, počkat na výsledek a vrátit přepis v požadovaném formátu.

Vznikl tak veřejný UWebASR Client & Skill. Samostatný krok, který jsem dříve prováděl ručně, dostal popsané rozhraní a pravidla. Agent jej může použít jako nástroj, aniž bych pokaždé znovu vysvětloval technické detaily přepisu.

Odtud byl již jen krůček ke skillu AI summary přednášek. Ten zpracuje přepis a celé slajdy podle pokynů pro vytvoření studijního shrnutí a zkontroluje výsledné PDF. Součástí workflow je také ověření, že ve výsledku nechybí text, nerozbily se znaky a stránky nejsou oříznuté.

Jedna věta místo ruční pipeline

Pro samotné nahrávání používám z příkazové řádky SoX a jeho příkaz rec. Zvuk z vestavěného mikrofonu MacBooku ukládám přímo do MP3 se vzorkovací frekvencí 16 kHz:

rec -r 16000 2026/01/ite01.mp3

Do složky stačí uložit nahrávku a odpovídající PDF se slajdy. Pak lze zadat jediný pokyn:

Použij $ai-summary-prednasek na 2026/01/ite01.mp3.

Agent, v mém případě OpenAI Codex, najde slajdy se stejným názvem, před spuštěním si je nechá potvrdit, přednášku přepíše a zpracuje celý přepis i prezentaci. Výsledkem je Markdown a PDF se třemi jasně oddělenými částmi: shrnutím hlavních bodů, obsahem nad rámec prezentace a seznamem abecedně seřazených důležitých pojmů.

Jako ukázku přikládám studijní shrnutí úvodní přednášky z Internetových technologií (KKY/ITE) (PDF) a slajdy, ze kterých vychází (PDF).

Pořád zde zůstává prostor pro kontrolu. Přepis může zkomolit odborný termín, model může některý bod zařadit nepřesně a nahrávání výuky má vlastní pravidla soukromí. Rozdíl je v tom, že opakovatelné kroky, formátování a technickou kontrolu již nemusím pokaždé dělat ručně.

Dva roky jsou v AI docela dlouhá doba

Když se na celou cestu podívám zpětně, působí jako několik generací nástrojů. Ve skutečnosti se odehrála během pouhých dvou let: od kopírování mezi weby přes studentský prototyp s lokálními modely až po agenta, který celý postup provede podle jednoho zadání.

Výstup se přitom příliš nezměnil. Pořád chci studentům dát srozumitelné shrnutí, zachytit podstatné odbočky z výkladu a vysvětlit pojmy, které mohou brzdit porozumění. Proměnila se hlavně cesta, kterou se k materiálu dostanu.

A co vy, už nahráváte svoje přednášky?

Ilustrovaná časová osa vede od nahrávky a slajdů přes několik ručních kroků k agentnímu workflow a hotovému studijnímu materiálu
Během dvou let se z ručního řetězce několika nástrojů stal opakovatelný postup spuštěný jediným pokynem.

Odkazy

Číst dále