Corpus Query Language (CQL) umožňuje vyhledávání v lingvisticky anotovaných korpusech. Správné psaní CQL vyžaduje technické znalosti dotazovacího jazyka a metadata cílového korpusu. Tato práce studuje a nabízí řešení úlohy překladu přirozeného jazyka do CQL pomocí jazykových modelů. Pro účely trénování a vyhodnocení jsem vytvořil dvě datové sady. Za prvé jsem zpracoval 19 913 668 požadavků zaslaných do nástroje pro práci s korpusy Sketch Engine a extrahoval a deduplikoval 1 528 585 unikátních párů (korpus, CQL). ​​Z těchto deduplikovaných párů jsem sestavil trénovací sadu pomocí překladu CQL z nejpoužívanějšího korpusu BNC2 do přirozeného jazyka pomocí překladového nástroje založeného na překladu pomocí pravidel. Jazyková rozmanitost byla rozšířena pomocí LLM, čímž jsem získal 10 046 unikátních CQL s více popisy v přirozeném jazyce pro každý pár. Za druhé jsem ručně vytvořil datovou sadu pro vyhodnocení v češtině, angličtině a francouzštině, která je navržena tak, aby pokrývala jak jednoduché, tak pokročilé jevy v CQL, a také specifická omezení korpusu. Porovnávám supervised fine-tuning modelů T5, MT5, Gemma2 a Llama 3.2 s omezenou inferencí s gramatikou a bez ní s velkými jazykovými modely učených pomocí dotazování, včetně otevřených modelů i proprietárních API pro Gemini 2.5 Pro, GPT 5.1 a Claude Sonnet 4.5. Hodnocení kombinuje syntaktickou podobnost pomocí tokenových n-gramů a metriku BLEU se sémantickou podobností získaných výsledků z korpusu pomocí metrik precision, recall, f1, variant intersect over union a metrik na úrovni vět. Na ručně vytvořené datové sadě je dosaženo nejlepších sémantických výsledků modely, ke kterým se přistupuje přes proprietární API. Analýza chyb ukazuje, že případy s nízkým skóre jsou způsobeny alternativními formulacemi a záměnou mezi atributy, jako je word a lemma. Byla identifikována omezení ručně vytvořené datové sady pro účely vyhodnocení, což vedlo k penalizaci alternativních, ale platných CQL.