když člověk mluví spisovně a srozumitelně

To je prave ten problem. Ne vsude se mluvi spisovne a srozumitelne, je tam ruch z pozadi, ktery ovlivnuje schopnost stroje porozumet te reci apod.
Stroje v zasade dokazou na text prepsat mluvenou cestinu z ticheho prostredi a od cloveka, na jehoz hlas jsou nauceny a v poradu, na jehoz slovni zasobu maji slovnik. Takhle ted funguje "automaticke titulkovani", ktere poskytuje Ceska televize ve spolupraci se Zapadoceskou univerzitou, je tam stinovy mluvci, ktery premlouva to, co se rika v danem sportovnim utkani nebo v diskusnim poradu - a stejne tam jsou chyby, je to zpozdene apod. Takze do nejake dokonalosti to ma opravdu jeste hodne daleko. Tim nerikam, ze je to spatne - samozrejme je to super, ale jeste nas ceka hodne dlouha cesta k tomu, aby to bylo skutecne na stejne urovni jako porady, u kterych se titulky pripravi dopredu, nacasuji se apod.
Zkus to nekdy, tady si muzes vybrat nejaky porad s zivym titulkovanim, zapnes to na teletextu na strance 888: http://zivetitulky.cz/
A pokud mas nejaky tebou zminovany Apple vyrobek, zkus to rozpoznavani reci v nejakym normalnim televiznim poradu. Jaka bude uspesnost tam? A tohle myslim vazne, docela by me to zajimalo, jen nic od Apple nemam.

Impossible to neni, ale pokud chce clovek (ja ) skutecne kvalitu bez pravopisnych chyb, zamen stejne znejicich slov a dobrou synchronizaci zvuku s titulky, tak to opravdu jeste potrva.