Migliorare l'accuratezza della trascrizione: cinque fattori (2026)

Risposta rapida: l’accuratezza di una trascrizione si decide in gran parte prima che qualsiasi software entri in gioco. I dati pubblicati mettono i fattori in questo ordine: distanza dal microfono e acustica della stanza (lo stesso modello di punta che segna il 2–3% di word error rate sul parlato ripreso da vicino sale intorno al 16% sulle riunioni con microfono lontano: gli errori si quintuplicano), voci sovrapposte (la ragione principale per cui i corpora di riunioni sono in fondo a ogni benchmark), rumore e silenzi lunghi (è nel silenzio che i modelli vocali inventano frasi mai dette), lingua e lessico (i tassi di errore pubblicati variano di oltre dieci volte da una lingua all’altra) e, per ultima, la variante del modello — l’unico fattore che dipende soltanto da una scelta software. Qui sotto, ogni affermazione è agganciata al numero che la sostiene.

Questa guida è stata scritta dal team di LoroNote il 27 agosto 2026. Ogni cifra di benchmark proviene dalle fonti primarie raccolte nella nostra pagina di statistiche verificate sulla trascrizione; il metodo di misura in fondo viene dalla nostra guida al word error rate. LoroNote esegue Whisper Large V3 Turbo sul dispositivo, quindi migliorare le tue condizioni di registrazione migliora l’output del nostro stesso prodotto — non abbiamo alcun incentivo a dirti che l’accuratezza va bene così com’è.

I cinque fattori, in ordine di impatto misurato

L’ordine conta: chi insegue un’app migliore sta agendo sul fattore 5, ma il grosso del danno arriva dai fattori 1–3.

Fattore 1. La distanza dal microfono: dove gli errori si quintuplicano

Niente pesa sull’accuratezza quanto la distanza fra il microfono e la bocca. La dimostrazione più pulita mai pubblicata è lo stesso modello misurato in condizioni diverse: Whisper Large V3 fa in media circa il 7,4% di WER su otto test set inglesi reali e vari, all’incirca il 2–3% sul parlato letto pulito ripreso da vicino — e intorno al 16% sul corpus AMI, registrato in sale riunioni con microfoni lontani. Da una condizione all’altra, il software non è cambiato di una virgola.

Cosa fare in concreto:

• Sposta il telefono, non il budget. Un telefono appoggiato vicino a chi parla batte un impianto costoso dall’altra parte della stanza. In un’intervista a due, il telefono va in mezzo, un po’ più vicino alla voce più debole.
• In riunione, metti il dispositivo al centro del tavolo, non davanti a te. Ogni metro in più verso la voce più lontana costa più di quanto qualsiasi cambio di app possa recuperare.
• Se detti da solo, parti già nelle condizioni migliori. Un telefono a un braccio di distanza è a tutti gli effetti parlato ripreso da vicino, il gradino più alto della scala. Se le tue registrazioni in solitaria escono comunque male, il problema è uno dei fattori qui sotto, non la distanza.

Fattore 2. Le voci sovrapposte

Le voci accavallate sono la seconda ragione per cui l’audio delle riunioni resta in fondo ai benchmark. Quando due persone parlano insieme non esiste un segnale pulito da trascrivere: il modello deve scegliere una voce, e ogni parola dell’altra diventa un errore. È un problema di fisica prima che di software, ed è per questo che nessun aggiornamento di modello lo fa sparire.

Cosa fare in concreto:

• Una voce alla volta vale più di qualsiasi impostazione. Nelle riunioni che conduci tu, lasciar finire le frasi prima di intervenire migliora la trascrizione più di qualunque opzione nel menu.
• Fai sedere le voci che contano vicino al microfono. Se chi decide borbotta dall’angolo più lontano, è esattamente lì che la trascrizione cederà.
• Metti in conto che con le sovrapposizioni tentennino anche le etichette dei parlanti. Capire chi ha detto cosa è un passaggio a sé, con i suoi punti deboli — come funziona l’identificazione dei parlanti spiega dove si inceppa. Una trascrizione può azzeccare tutte le parole e attribuirle comunque alla persona sbagliata nei tratti accavallati.

Fattore 3. Rumore, musica e silenzio

Un rumore di fondo costante degrada la trascrizione poco alla volta; i test di robustezza del paper di Whisper mostrano però che il riconoscimento crolla quando il rumore aggiunto supera all’incirca i 10 dB di rapporto segnale-rumore — il livello di un bar o di un locale affollato, dove i modelli concorrenti cedevano perfino prima di Whisper. La musica è peggio del rumore, e per una ragione in più: i modelli vocali addestrati su enormi quantità di audio dal web hanno incontrato tantissima musica cantata, e appena la sentono provano a trascriverne il testo.

Il silenzio nasconde una trappola tutta sua. Uno studio del 2024 sull’API di Whisper ha trovato frasi allucinate in circa l’1% delle trascrizioni: frasi inventate, concentrate nei punti in cui l’audio tace, e in misura sproporzionata nel parlato di chi fa pause lunghe. (Gli inserimenti nati dal silenzio sono anche il motivo per cui un word error rate può superare il 100%.)

Cosa fare in concreto:

• Scegli la stanza più silenziosa invece del microfono migliore. Un telefono in una stanza tranquilla batte un buon microfono in una rumorosa.
• Spegni la musica di sottofondo quando la registrazione conta davvero. È al tempo stesso rumore che copre la voce e un altro testo che le fa concorrenza.
• Taglia i silenzi lunghi prima di trascrivere, oppure registra a spezzoni: il silenzio non è un riempitivo innocuo, è il punto in cui compare il testo inventato. E quando rileggi la trascrizione, guarda con sospetto i passaggi in cui non parlava nessuno.

Fattore 4. Lingua, accento e lessico

Per lo stesso modello Whisper, le cifre pubblicate variano di oltre dieci volte da una lingua all’altra: dal 4,3% dell’olandese al 55,7% dell’albanese su Common Voice 15. Anche i divari legati all’accento sono reali e documentati: una ricerca sottoposta a revisione paritaria ha misurato, su cinque sistemi commerciali del 2019, un tasso di errore medio del 35% per i parlanti afroamericani contro il 19% per i parlanti bianchi. I dati su cui un modello è stato addestrato non si cambiano da un menu di impostazioni — ma due cose sono davvero nelle tue mani:

• Nomi propri, termini tecnici e nomi di prodotto sono i primi a saltare, e sbagliano sempre allo stesso modo. Il modello non ha mai visto il nome del tuo cliente, quindi tirerà a indovinare — e ogni volta con lo stesso errore. È l’unico problema di accuratezza con una soluzione diretta: registri una volta i termini ricorrenti nel dizionario personalizzato di LoroNote, e il modello smette di indovinare.
• Scandisci numeri, nomi e codici. È un’abitudine che non costa nulla e protegge proprio le parole i cui errori pesano di più: in un benchmark una data storpiata e un intercalare storpiato valgono un errore a testa, nel tuo lavoro no.
• Se la tua lingua è in bassa classifica nei grafici pubblicati, un test di due minuti sul tuo audio dice più di qualsiasi tabella. Il grafico per lingua, e il motivo per cui alcune lingue si valutano in CER anziché in WER, sono nella guida al WER.

Fattore 5. La variante del modello: l’unica scelta solo software

Quando l’audio è buono quanto le circostanze permettono, resta una domanda: quale modello esegue la tua app? Il divario non è sottile. Nell’unico benchmark che li ha misurati fianco a fianco, Whisper Small ha segnato il 3,74% su LibriSpeech test-clean e il 7,95% su test-other, mentre i motori di classe Large stavano vicino al 2% e al 4,5% — all’incirca la metà degli errori, per una scelta di taglia che l’app ha fatto al posto tuo. «Powered by Whisper» su una scheda dell’App Store copre taglie la cui accuratezza differisce del doppio, e diverse app iOS caricano senza dirlo le taglie piccole.

In concreto: prima di cambiare app in nome dell’accuratezza, controlla quale variante ciascuna carica davvero. LoroNote esegue sul dispositivo Whisper Large V3 Turbo, un modello della famiglia Large; su un iPhone 15 Pro trascrive a circa 19 volte il tempo reale (misurazione nostra), quindi la precisione di un modello grande non si paga con lunghe attese.

Cosa non aiuta granché

Tre rimedi molto tentati che i dati non sostengono:

• Registrare a una frequenza di campionamento più alta. Whisper ricampiona tutto l’audio a 16.000 Hz prima di ascoltare — il paper lo dice esplicitamente. Un file da studio a 96 kHz e un semplice memo vocale arrivano al modello identici; spendi lo sforzo su distanza e silenzio.
• Un telefono più nuovo. Il microfono di qualsiasi iPhone recente non è il collo di bottiglia; lo è la sua posizione. (Un telefono più nuovo può trascrivere più in fretta, che è un’altra proprietà.)
• Filtri di «miglioramento» prima della trascrizione. Una rimozione del rumore aggressiva può impastare la struttura armonica che il modello legge. Se proprio ne usi uno, verificalo contando gli errori prima e dopo sullo stesso spezzone, invece di fidarti dell’audio che suona più pulito: pulito per il tuo orecchio e pulito per un modello che legge spettrogrammi sono due cose diverse.

Misura la correzione, non l’impressione

Ogni fattore qui sopra si verifica in dieci minuti: registra due minuti nelle condizioni attuali, trascrivi, conta gli errori in un tratto di 200 parole con regole fissate in anticipo; poi cambia una cosa sola — sposta il telefono, spegni la musica — e ripeti sullo stesso brano. Il metodo di conteggio completo, compreso decidere in anticipo cosa conta come errore, è nella nostra guida al WER. Poiché LoroNote trascrive sul dispositivo e i primi due minuti di ogni registrazione sono gratuiti, l’esperimento prima-e-dopo non costa nulla e funziona con la modalità Aereo attiva.

Domande frequenti

Perché la mia trascrizione è così imprecisa?

Passa in rassegna i fattori nell’ordine: quanto era lontano il microfono da chi parlava, se le persone si sono parlate sopra, quanto era rumorosa la stanza e quanti silenzi contiene la registrazione, se a saltare sono soprattutto nomi e termini tecnici, e infine quale modello esegue la tua app. Nei benchmark pubblicati, il solo passaggio dal microfono vicino a quello lontano sposta lo stesso modello da circa il 2–3% a circa il 16% di word error rate: più di quanto qualsiasi cambio di app possa recuperare.

Un microfono esterno migliora l’accuratezza della trascrizione?

È la distanza a migliorare l’accuratezza; un microfono esterno è solo un modo per guadagnarla. Un lavalier addosso a chi parla equivale a una ripresa ravvicinata anche in una stanza grande. Ma un telefono appoggiato vicino ottiene quasi lo stesso effetto gratis: prima la posizione, poi l’hardware.

La musica di sottofondo influisce sulla trascrizione?

Sì, due volte: maschera la voce come qualsiasi rumore, e poiché i modelli vocali hanno visto enormi quantità di audio con testi cantati, possono trascrivere la canzone invece della persona. Il riconoscimento degrada bruscamente anche quando il rumore supera all’incirca i 10 dB di rapporto segnale-rumore di un caffè affollato. Spegni la musica per le registrazioni che contano.

Posso correggere gli errori di accento con un’impostazione?

Non con un’impostazione: la resa sugli accenti dipende dai dati con cui il modello è stato addestrato, e la ricerca ha documentato divari demografici reali. Quello che puoi fare tu: scegliere un’app che esegue un modello di classe Large (i modelli più grandi assorbono meglio le variazioni di pronuncia), registrare nomi e termini ricorrenti nel dizionario personalizzato, e misurare sui tuoi due minuti di audio invece di fidarti di medie calcolate sulle voci di altri.

Le registrazioni più lunghe vengono trascritte peggio?

Non risulta da nessuna misura che la durata in sé peggiori l’accuratezza: a contare sono le condizioni. Una lezione di tre ore registrata da vicino e nel silenzio viene trascritta bene quanto i suoi primi dieci minuti. Quello che cresce con la durata è il tempo che serve per rivedere gli errori — ed è per questo che, più le registrazioni si allungano, più i rimedi qui sopra contano.

Considerazioni finali sul migliorare l’accuratezza della trascrizione

I consigli sull’accuratezza puntano quasi sempre al software, perché il software è la cosa più facile da cambiare. I dati misurati indicano la direzione opposta: il quintuplicarsi degli errori nasce dalla distanza dal microfono e dall’acustica della stanza, gli sbagli più ostinati vengono dalle voci accavallate e dal silenzio, e l’unico intervento davvero software è la variante di modello che la tua app carica. Avvicina il telefono, riduci il rumore, parlate uno alla volta, registra i nomi ricorrenti nel dizionario, controlla il modello — in quest’ordine — e verifica ogni cambiamento contando gli errori prima e dopo sulla tua registrazione. Alla fine, l’unico numero di accuratezza che conta è il tuo.

Fonti

• Statistiche sulla trascrizione AI: ogni numero verificato — le fonti primarie e le date di verifica di ogni cifra di benchmark usata qui sopra
• OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision — ricampionamento a 16.000 Hz; robustezza al rumore aggiunto (degrado sotto ca. 10 dB di SNR con rumore ambientale da locale, «pub noise»)
• Open ASR Leaderboard — cifre multi-benchmark e delle sale riunioni AMI
• Koenecke et al., Racial disparities in automated speech recognition (PNAS, 2020) — il divario misurato di accento/dialetto
• Koenecke et al., Careless Whisper: Speech-to-Text Hallucination Harms (2024) — le allucinazioni sul silenzio
• Lyonesse, Apple’s New Speech API vs Whisper — il confronto diretto fra Small e classe Large
• LoroNote, Che cos’è il word error rate? — il metodo di misura per i test prima-e-dopo

Cifre riverificate sulle fonti collegate il 26–27 agosto 2026.