Podesi STT na srpskom: Pretvori glas u tekst bez greške [2026]

Prestanite lagati sami sebe da ‘Cloud’ STT radi

Prestanite vjerovati marketinškim trikovima da su Google i Apple riješili prepoznavanje govora za naš balkanski prostor. To je laž. Ako ste ikada pokušali diktirati poruku dok vozite, znate da naši padeži i akcenti za njih predstavljaju nepremostivu prepreku. Google i dalje kasapi ‘č’ i ‘ć’, a o stručnoj terminologiji da ne govorimo. Ako želite transkripciju koja zapravo radi u 2026. godini, zaboravite na gotova rješenja koja vam kradu podatke. Morate to sami nabudžiti lokalno. Vaši podaci su vaša stvar, a preciznost od 99% dolazi samo kroz sirovu procesorsku snagu i pravilno podešene modele. Ovaj vodič vam daje upravo to znanje besplatno, pod uslovom da znate kako otvoriti terminal i ne bojite se mirisa pregrijane grafičke kartice. Postani NLP inženjer i shvatićeš o čemu pričam.

Zašto ti treba NVIDIA GPU (A ne integrisana grafika)

Slušaj, možeš ti ovo pokrenuti na procesoru, ali ćeš ostariti dok on obradi deset minuta zvuka. Za pravi STT (Speech-to-Text) na srpskom, potreban ti je CUDA jezgra. GPU mora da zuji. Ako tvoj ventilator ne ubrza kad krene transkripcija, nešto si pogrešno uradio. VRAM je ovdje ključan faktor. Za Whisper Large-v3 model, koji je jedini relevantan za naš jezik, treba ti minimum 8GB VRAM-a. Sve ispod toga je mučenje hardvera. Prilikom učitavanja modela, osjetit ćeš tu toplinu koja izlazi iz kućišta – to je miris pobjede nad lošim algoritmima. Ne kupuj jeftine kartice sa 4GB, to je bacanje para u 2026. godini.

Zašto Whisper Large-v3, a ne Medium?

Odgovor je jednostavan: preciznost. Medium model se gubi kod naših suglasnika. ‘Dž’ i ‘Đ’ su mu smrtna presuda. Large-v3, iako masivan, razumije kontekst. On ne prepoznaje samo riječi, on razumije rečenicu. Ali pazi, on je težak. Ako ga ne ‘kvantizuješ’ (smanjiš mu težinu bez gubitka pameti), tvoj sistem će se zakucati. Kvantizacija na 8-bit ili čak 4-bit je jedini način da ovo radi glatko na kućnom serveru. Pogledaj kako se radi normalizacija podataka jer će ti trebati da očistiš audio ulaz prije nego što ga baciš pred model.

Instalacija: Izoluj okruženje ili rizikuj haos

Nikada, ali baš nikada ne instaliraj Python biblioteke globalno. Napravi virtualno okruženje (venv). Ako to preskočiš, tvoj operativni sistem će postati nestabilna deponija konfliktnih verzija. Koristimo Faster-Whisper biblioteku jer je duplo brža od originalne OpenAI implementacije, a troši manje memorije. To je ‘hakerski’ način da dobiješ performanse bez kupovine nove grafičke.

WARNING: Nikada ne dodiruj komponente unutar kućišta dok je PC pod naponom. Statički elektricitet može spržiti tvoj GPU brže nego što možeš reći ‘transkripcija’. Koristi antistatičku narukvicu ili bar dodirni radijator prije čačkanja po hardveru.

Anatomija jednog ‘sjeba’: Zašto transkripcija puca nakon 30 sekundi?

Najveća greška početnika je loš FFmpeg handling. Ako ne proslijediš audio u pravilnim ‘chunkovima’, model će početi da halucinira. Vidjet ćeš kako ponavlja istu riječ stotinu puta dok ne pojede sav RAM. To izgleda užasno – ekran se puni smećem, a tvoj radni fajl raste do gigabajta besmisla. Rješenje je u pravilnom ‘VAD’ (Voice Activity Detection) filteru. On sječe tišinu. Model ne smije da ‘sluša’ tišinu jer u njoj traži glasove koji ne postoje. To je kao da pokušavaš čuti šapat u praznoj sobi – na kraju ćeš umisliti da si nešto čuo. Koristi Silero VAD. To je zlatni standard u 2026. godini. Bez njega, tvoj STT je samo skupi grijač za sobu.

Fino podešavanje za srpski: Ispravi ‘i’ i ‘j’ greške

Čak i najbolji model griješi kod naših specifičnih imena i toponima. Ovdje nastupa tvoj ‘custom’ rječnik. Moraš mu ‘ubrizgati’ lokalne riječi kroz post-procesing. Napravi Python skriptu koja prolazi kroz generisani tekst i ispravlja očigledne greške. Ako model napiše ‘Beograd’ malim slovom, tvoja skripta to mora da zakuca na veliko ‘B’. To nije varanje, to je inženjering. Slično kao kod popravke lošeg prevoda, ovdje peglaš tekst dok ne postane savršen. Osjeti tekst pod prstima, neka bude čist. Koristi Regex pravila, ona su tvoj najbolji prijatelj u čišćenju smeća.

Da li moram koristiti skupi mikrofon?

Ne. Bolje je imati prosječan mikrofon u tihoj sobi nego skupi studijski mikrofon u prostoriji koja odjekuje. Akustika je fizika, a fiziku ne možeš prevariti softverom. Obloži zidove sunđerom ili bar baci ćebe preko stola ako imaš previše jeke. Zvuk mora biti suv, bez ‘repova’. Ako čuješ eho u snimku, model će čuti duplo. To je recept za katastrofu. Provjeri i hlađenje servera jer dugi procesi transkripcije znaju da podignu temperaturu u sobi za 5 stepeni.

Fizika neuspjeha: Zašto 16kHz uzorkovanje nije opcija nego zakon?

Audio inženjering nije magija, to je matematika. Većina STT modela je trenirana na 16.000 Hz. Ako mu pošalješ 44.1kHz (studijski kvalitet), on će morati da radi ‘downsampling’ u letu. To troši CPU cikluse i može unijeti šum. Uvijek, ali uvijek, konvertuj svoj audio u 16kHz mono kanal prije nego što ga pošalješ modelu. Mono je bitan – model ne zanima da li glas dolazi s lijeve ili desne strane, njega zanima samo frekvencijska kriva. Smanjiš fajl, ubrzaš proces, dobiješ bolji rezultat. Jednostavno je.

Zakon i privatnost: Tvoj glas nije njihova svojina

U 2026. godini, privatnost je luksuz. Korištenjem cloud servisa ti potpisuješ da tvoj glas može biti korišten za treniranje njihovih budućih modela. Tvoji poslovni sastanci, tvoje privatne misli – sve ide na njihove servere. Postavljanjem lokalnog STT sistema, ti povlačiš liniju u pijesku. Tvoj hardver, tvoji podaci. Ako radiš na nečemu osjetljivom, ovo nije samo hobi, to je profesionalna obaveza. Pogledaj kako spriječiti curenje podataka i budi siguran da tvoj server nije otvoren prema internetu bez potrebe. Isključi telemetriju. Budi paranoičan. To je jedini način da ostaneš siguran u digitalnom dobu.

Zaključak: Udari ‘Enter’ i pusti ga da žvače

Kada sve podesiš, prvi put kad vidiš kako se rečenice ispisuju na ekranu u realnom vremenu, bez kašnjenja i sa savršenom gramatikom, znat ćeš da se trud isplatio. Bit će teško. Boljet će te leđa od sjedenja i kucanja koda. Možda ćeš morati tri puta reinstalirati drajvere za grafičku jer Linux mrzni NVIDIA-u. Ali onaj osjećaj kad tvoj lokalni stroj nadmaši korporativni AI od milijardu dolara – to je razlog zašto smo Makeri. Nemoj odustajati na prvoj grešci. Nabudži to kako treba. Don’t buy it. Build it.