Word Error Rate (WER): cos'è e come si misura l'accuratezza (2026)

Risposta rapida: il word error rate (WER), o tasso di errore sulle parole, è il metro standard dell’accuratezza di trascrizione. Conta i tre modi in cui una trascrizione può sbagliare — una parola sostituita, una cancellata, una inserita — e divide quel totale per il numero di parole davvero pronunciate. Un WER del 10% significa all’incirca una parola sbagliata su dieci. La definizione nasconde tre sorprese: il WER può superare il 100%, la stessa trascrizione può ottenere due punteggi diversi a seconda di come il testo è stato normalizzato prima del conteggio, e il numero non significa nulla senza sapere su quale audio è stato misurato. E per le lingue scritte senza spazi, come giapponese e cinese, il settore passa al tasso di errore sui caratteri (CER) — una metrica diversa che i fornitori citano spesso come se fosse la stessa.

Questa guida è stata scritta dal team di LoroNote il 26 agosto 2026. LoroNote esegue Whisper Large V3 Turbo sul dispositivo, quindi i numeri di WER decidono cosa costruiamo e cosa affermiamo — e ogni cifra qui sotto proviene dal paper e dalle schede modello pubblicate da OpenAI o dalla Open ASR Leaderboard pubblica, tutte collegate in fondo. Nessuna è una nostra misurazione.

La formula: tre modi in cui una trascrizione può sbagliare

Il WER confronta due testi: il riferimento (ciò che è stato davvero detto, trascritto con cura da un essere umano) e l’ipotesi (ciò che ha prodotto la macchina). Ogni differenza fra i due ricade in una di tre categorie:

• Sostituzione (S) — una parola rimpiazzata da un’altra
• Cancellazione (D) — una parola pronunciata che manca dalla trascrizione
• Inserimento (I) — una parola nella trascrizione che nessuno ha detto

Il punteggio è il totale delle tre diviso per il numero di parole del riferimento:

WER = (S + D + I) / N, dove N è il numero di parole pronunciate — non il numero di parole della trascrizione.

Un esempio svolto. Qualcuno dice: «manda il rapporto a Priya entro venerdì mattina» — otto parole. La trascrizione recita: «manda un rapporto a Prisha entro venerdì». Sono due sostituzioni (il → un, Priya → Prisha) e una cancellazione (mattina): tre errori su otto parole, un WER del 37,5%. Nota cosa si porta dentro l’esempio: il nome storpiato è l’errore che ti costerebbe davvero qualcosa, e conta esattamente quanto il diventato un. Ci torniamo più sotto.

Perché il WER può superare il 100%

Sostituzioni e cancellazioni hanno un tetto: la lunghezza del riferimento — non puoi cancellare più parole di quante ne siano state dette. Gli inserimenti no. Un modello vocale generativo, davanti a un tratto di quasi-silenzio, può inventare frasi intere, e ogni parola inventata è un inserimento conteggiato contro un riferimento di quasi zero parole. Questo spinge il WER oltre il 100%, e non è un difetto di arrotondamento: è la formula che funziona come progettata. È anche il motivo per cui l’allucinazione — la tendenza documentata di Whisper a produrre testo scorrevole quando l’audio tace o lascia il posto alla musica — pesa più di quanto suggerisca la sua quota di WER medio; abbiamo confrontato come due architetture di modello differiscono esattamente su questo in Parakeet V3 vs Whisper Large V3.

Il WER contro l’«accurato al 99%»

I fornitori raramente pubblicizzano un tasso di errore; pubblicizzano l’accuratezza. La conversione è semplice — l’accuratezza è all’incirca 100% meno il WER — ma l’inquadratura lavora parecchio in silenzio. «Accurato al 99%» suona come una proprietà del prodotto. Un WER descrive un prodotto solo su un particolare test set, e lo striscione dell’accuratezza non ne nomina quasi mai uno. Lo stesso motore che ottiene il 97% su parlato letto, pulito e con microfono vicino può fermarsi all’84% su una riunione con microfono distante senza che nel software sia cambiato nulla. Un’affermazione di accuratezza precisa senza test set allegato è una decisione pubblicitaria, non una valutazione.

La regola pratica: ogni volta che incontri una percentuale di accuratezza, sottraila da 100 e chiedi «su quale audio?». Se la risposta non è pubblicata, il numero non può essere confrontato con niente — nemmeno con il numero dello stesso fornitore dell’anno scorso.

Non tutti gli errori costano uguale — e al WER non importa

Il WER è volutamente democratico: un «ehm» saltato costa esattamente quanto il nome sbagliato di un farmaco — un errore ciascuno. Quella neutralità è ciò che rende la metrica oggettiva e confrontabile fra sistemi, ed è anche il suo limite più noto. Una trascrizione con cinque intercalari storpiati e una con cinque nomi di clienti storpiati hanno WER identici e conseguenze molto diverse.

I team di valutazione a volte aggirano il problema con metriche pesate sulle parole chiave o con tassi di errore sulle entità, ma i numeri da titolo che incontrerai — nei paper, nelle classifiche, nel marketing — sono quasi sempre WER semplice. La conseguenza pratica per chi sceglie uno strumento di trascrizione: dopo qualsiasi test, leggi gli errori veri invece di fermarti al conteggio. Dove cadono gli errori conta più di quanti sono.

Normalizzazione: perché un modello ottiene due punteggi diversi

Prima che si conti qualsiasi cosa, riferimento e ipotesi vengono normalizzati: minuscole, punteggiatura eliminata, numeri, contrazioni e grafie unificati — «ventisei» è un errore rispetto a «26»? «It’s» rispetto a «it is»? «Colour» rispetto a «color»? Ogni valutazione risponde a queste domande con le proprie regole, e le regole spostano il punteggio.

OpenAI ha considerato la questione abbastanza importante da distribuire un normalizzatore di testo costruito ad hoc insieme a Whisper e da dedicare un’appendice del paper di Whisper a come le sue scelte cambiano il WER misurato. Su un benchmark come LibriSpeech, le sole differenze di normalizzazione possono spostare il numero pubblicato di un modello di più di un punto percentuale — cioè all’incirca la stessa dimensione del divario che molti confronti diretti sostengono di aver trovato.

È per questo che continuiamo a ripetere la stessa cautela in tutto questo blog, da ultimo nel confronto con Apple SpeechAnalyzer: i numeri di WER di due valutazioni pubblicate separatamente sono contesto approssimativo, non un verdetto. L’unico confronto pulito è fra due sistemi valutati nella stessa esecuzione, sullo stesso audio, con lo stesso normalizzatore.

Un WER non significa nulla senza il suo test set

Il benchmark vocale più citato, LibriSpeech, è costruito da audiolibri di pubblico dominio e diviso in due metà i cui nomi dicono tutto: test-clean (registrazioni nitide, voci più facili) e test-other (il resto, più difficile). Un corpus, due condizioni — e ogni modello segna visibilmente peggio sulla seconda. Quella struttura è l’intera lezione del WER in miniatura: l’audio fa parte del numero.

Le cifre pubblicate per i modelli large di Whisper fanno lo stesso discorso su scala piena. Sul parlato letto, pulito e a voce singola raggiungono all’incirca il 2–3% di WER. In media su otto test set inglesi reali della Open ASR Leaderboard, circa il 7,4%. Sulle registrazioni di riunione con microfoni distanti e voci sovrapposte, intorno al 16%. Su una lingua a basse risorse come l’hindi, le cifre pubblicate stanno vicino al 27%. Stessi pesi, un ordine di grandezza di divario — abbiamo percorso quella scala gradino per gradino in Quanto è accurato Whisper?

Il test set può nascondere anche una trappola diversa: quale modello è stato davvero testato. Il benchmark diventato virale nel 2026 con la tesi che il nuovo motore di Apple avesse battuto Whisper aveva misurato Whisper Small — diverse taglie sotto i modelli che le app on-device eseguono davvero. Il numero del titolo era reale; il confronto no.

Quando «parola» smette di funzionare: il CER per giapponese, cinese e coreano

Il WER dà per scontato che una frase si possa dividere in parole guardandola. Giapponese e cinese si scrivono senza spazi, quindi «quante parole è questa frase» è a sua volta una decisione di modellazione — due tokenizzatori danno due conteggi diversi, e il tasso di errore eredita il disaccordo. Per quelle lingue le valutazioni passano al tasso di errore sui caratteri (CER): la stessa aritmetica di sostituzioni, cancellazioni e inserimenti, applicata per carattere invece che per parola. La stessa scheda del modello Whisper Large V3 di OpenAI riporta il CER anziché il WER per lingue come giapponese, cinese, coreano e thailandese.

Il coreano è il caso intermedio istruttivo: ha gli spazi, ma le particelle si attaccano alle parole che seguono, e una legittima variazione di spaziatura ribalta i confini di parola senza cambiare il significato — così un conteggio a livello di parola punisce differenze che nessun lettore chiamerebbe errori, e anche lì il punteggio a livello di carattere è la scelta più stabile.

L’avvertenza pratica: un CER del 5% e un WER del 5% non sono la stessa affermazione. I punteggi a livello di carattere risultano numericamente più bassi di quelli a livello di parola sullo stesso output, perché una parola sbagliata di solito contiene comunque diversi caratteri corretti. Una tabella di accuratezza multilingue che mescola in silenzio le due metriche — e molte lo fanno — non è confrontabile nemmeno fra le proprie righe. Per noi la cosa conta direttamente: LoroNote trascrive più di 100 lingue sul dispositivo, e «quanto è accurato nella mia lingua» ha una risposta solo quando sai con quale metrica la tua lingua viene misurata.

Come misurare il tuo WER in dieci minuti

Ogni numero qui sopra è stato misurato sull’audio di qualcun altro. Il test che risponde alla tua domanda gira sul tuo, e non serve altro che un editor di testo:

1. Registra circa due minuti di audio rappresentativo. Stessa stanza, stessa distanza dal microfono, stessa lingua, nomi e gergo veri — il test è onesto quanto il campione.
2. Trascrivilo con l’app che stai valutando.
3. Decidi le regole prima di contare. È il passo che tutti saltano, ed è il problema della normalizzazione di cui sopra in miniatura: ignora punteggiatura e maiuscole, scegli una convenzione per i numeri e stabilisci in anticipo se gli intercalari contano. Qualsiasi regola va bene — purché la fissi prima di guardare l’output e la tenga identica quando provi una seconda app.
4. Valuta un tratto di 200 parole. Confronta la trascrizione con ciò che è stato davvero detto e conta ogni sostituzione, cancellazione e inserimento. Dividi per 200. Quello è il tuo WER, sull’unico benchmark che abbia mai riguardato il tuo audio.
5. Poi leggi gli errori. Cinque intercalari storpiati e cinque nomi di clienti storpiati sono lo stesso punteggio e due giornate molto diverse. Se certi nomi ricorrenti continuano a fallire, quel problema specifico ha una soluzione specifica — il dizionario personalizzato di LoroNote esiste per i termini che il modello deve smettere di sbagliare.

Poiché LoroNote trascrive sul dispositivo e i primi due minuti di ogni registrazione sono gratuiti, l’intero esperimento non costa nulla e la registrazione non lascia mai il tuo iPhone — nessun caricamento, nessun account, e la modalità Aereo non cambia niente.

Domande frequenti

Come si calcola il word error rate?

Somma i tre tipi di errore — sostituzioni, cancellazioni e inserimenti — e dividi per il numero di parole davvero pronunciate: WER = (S + D + I) / N. N viene dal riferimento (ciò che è stato detto), non dalla trascrizione, ed è per questo che inserimenti massicci possono spingere il WER oltre il 100%.

Qual è un buon word error rate?

Dipende interamente dall’audio. Su parlato pulito, con microfono vicino e voce singola, i moderni modelli large raggiungono il 2–3% di WER, vicino al tetto pratico; su audio inglese reale e vario, dal 5% al 10% circa è un ottimo risultato; su riunioni con microfono distante e voci accavallate, perfino i modelli di punta viaggiano intorno al 16%. Un «buon» WER è uno misurato su audio che somiglia al tuo — un fornitore che cita numeri da parlato pulito per un caso d’uso da sala riunioni sta rispondendo a un’altra domanda.

Il word error rate può superare il 100%?

Sì. Gli inserimenti non sono limitati dal numero di parole pronunciate, quindi un modello che inventa testo — per esempio allucinando frasi durante un tratto di silenzio — può accumulare più errori di quante parole abbia il riferimento. Un WER sopra il 100% segnala quasi sempre un problema di inserimenti, non di fraintendimento.

Perché due valutazioni riportano WER diversi per lo stesso modello?

Due ragioni, di solito sommate: audio di test diverso e normalizzazione del testo diversa. Le sole regole di normalizzazione — come punteggiatura, maiuscole, numeri e contrazioni vengono unificati prima del conteggio — possono spostare una cifra pubblicata su LibriSpeech di più di un punto. Solo due sistemi valutati nella stessa esecuzione sono confrontabili in modo pulito.

Il WER è la metrica giusta per tutte le lingue?

No. Per le lingue scritte senza spazi, come giapponese e cinese, i confini di parola sono ambigui e le valutazioni usano il tasso di errore sui caratteri (CER); anche il coreano è di solito servito meglio dal punteggio a livello di carattere. I valori di CER risultano numericamente più bassi del WER sullo stesso output, quindi le due metriche non vanno mai confrontate direttamente.

Il WER misura se gli interlocutori sono identificati correttamente?

No. Il WER valuta solo le parole. Attribuirle alla persona giusta è la diarizzazione, un passaggio separato con la propria metrica di errore, e una trascrizione può avere un WER basso attribuendo ogni battuta all’interlocutore sbagliato. Come funziona l’identificazione degli interlocutori copre quella metà del problema.

Considerazioni finali sul word error rate

Il word error rate è il numero più utile del riconoscimento vocale e il più facile da usare male. La formula è onesta — tre tipi di errore sulle parole pronunciate — ma ogni cifra pubblicata porta passeggeri silenziosi: il test set su cui è stata misurata, il normalizzatore che ha preparato il testo e il cambio di metrica che scatta quando la lingua smette di usare gli spazi. Leggi qualsiasi WER con quelle tre domande accanto, e i numeri diventano davvero informativi. Meglio ancora, dedica dieci minuti a misurarne uno sul tuo audio — è l’unico test set che ti abbia mai riguardato.

Fonti

• OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision — il paper di Whisper; l’appendice C copre il normalizzatore di testo e il suo effetto sul WER misurato
• OpenAI, scheda del modello whisper-large-v3 — cifre per lingua, riportate come WER o CER a seconda della lingua
• Open ASR Leaderboard — medie inglesi multi-benchmark e cifre delle riunioni AMI
• Corpus LibriSpeech ASR — la divisione test-clean / test-other
• LoroNote, Quanto è accurato Whisper? Numeri reali — le cifre pubblicate qui sopra, con le loro condizioni

Cifre riverificate sulle fonti collegate il 26 agosto 2026.