Quanto è davvero precisa la trascrizione con l’IA

Punti chiave

Non esiste un unico numero di precisione, e qualsiasi percentuale tu abbia letto descrive un sistema misurato su una registrazione. Un audio pulito con una sola persona che parla e una conversazione di gruppo rumorosa sono così diversi che nessuna percentuale può valere per entrambi. Quello che determina il risultato è la registrazione stessa: la distanza dal microfono, il rumore di fondo, le sovrapposizioni tra le voci, la copertura degli accenti. Anche gli errori si concentrano in punti precisi, quindi la maggior parte della trascrizione risulta corretta mentre nomi, termini tecnici, numeri e voci sovrapposte vanno storti. Per ritrovare un momento va benissimo. Per citare, controlla ogni riga confrontandola con l’audio.

Probabilmente hai già visto una percentuale associata a uno strumento di trascrizione. È una misurazione reale di qualcosa. Solo che non misura quello che accadrà quando ci darai in pasto la tua registrazione, e prenderla come una promessa è il modo più sicuro per restare delusi nel momento peggiore.

La domanda utile non è quanto sia accurata la trascrizione automatica in generale. È se la trascrizione che riceverai sarà abbastanza buona per quello che devi farci. Sono due domande diverse con risposte diverse, perché lo stesso file può essere perfettamente adeguato per ritrovare un momento e del tutto inutilizzabile per citarlo.

Una percentuale di precisione misura una registrazione, non un sistema

Qualsiasi dato sulla precisione è il risultato di un determinato sistema messo alla prova con un determinato audio. Cambia l’audio e il numero cambia con esso. Non è un limite della misurazione. È esattamente ciò che quella misurazione rappresenta.

Immagina i due estremi. Una persona sola, vicina al microfono, in una stanza silenziosa, che parla con un accento molto diffuso di cose ordinarie. Il risultato sarà ottimo. Ora immagina quattro persone attorno a un tavolo, con un condizionatore acceso, che si interrompono a vicenda, usando espressioni tecniche del loro settore, due di loro a un metro e mezzo dal telefono. Il risultato sarà molto peggiore. Entrambe sono misurazioni oneste dello stesso sistema. Un solo numero non può descriverle entrambe, e lo scarto tra le due è così ampio che nemmeno una media avrebbe senso.

Quindi, quando vedi un dato senza sapere su quale audio è stato misurato, l’informazione importante è proprio quella che manca. Tutto quello che sai davvero è che qualcuno ha testato qualcosa. Il vero banco di prova è il tuo materiale. Prendi qualche minuto di una registrazione simile a quelle con cui lavori davvero, elaborala e leggi il risultato confrontandolo con l’audio. Questo ti dice molto più di qualsiasi dato pubblicato, e richiede meno tempo che leggere articoli di confronto.

La registrazione influisce sul risultato più del software

Molti scelgono uno strumento confrontando le percentuali di precisione. Ma per la maggior parte delle registrazioni è il lato sbagliato del problema. Le condizioni in cui registri spostano il risultato molto più della scelta del motore di trascrizione.

• Distanza dal microfono. Ogni centimetro in più porta con sé più ambiente e meno voce. Un telefono posato sul tavolo tra due persone produce una registrazione diversa da un telefono tenuto davanti a una sola di loro.
• Rumore di fondo. Traffico, un bar, ventole, tastiere. Il rumore non si limita a stare sullo sfondo del parlato, ci compete, e le parole che perdono sono quelle più deboli, spesso alla fine delle frasi.
• Voci che si sovrappongono. Quando due persone parlano contemporaneamente non c’è un segnale pulito da trascrivere. Qualcosa verrà scritto comunque, e spesso sarà un misto delle due voci.
• Copertura degli accenti. Alcuni accenti sono rappresentati molto meglio di altri nei dati con cui questi sistemi sono stati addestrati, e chi ha un accento poco rappresentato ottiene risultati peggiori anche con un audio pulito.

Gli strumenti sono davvero diversi tra loro, e se il tuo materiale presenta sempre lo stesso tipo di difficoltà, vale la pena provarne un paio per un pomeriggio. Ma lo scarto tra due strumenti ragionevoli sullo stesso audio è di solito più piccolo dello scarto tra un audio buono e uno cattivo con lo stesso strumento. Avvicinare il microfono conviene più che cambiare prodotto. Se vuoi capire cosa fa esattamente il software con quello che gli fornisci, la spiegazione generale di come funziona la trascrizione con l’IA chiarisce perché queste condizioni contano così tanto.

Gli errori non sono distribuiti in modo uniforme nel testo

Questo è il punto che sorprende di più le persone, ed è più importante del numero riportato in copertina. Gli errori si concentrano. La maggior parte della trascrizione risulta pulita, e i fallimenti si concentrano in pochi punti prevedibili: nomi propri, vocabolario tecnico, numeri, e ogni momento in cui le persone parlano sopra le altre.

Pensa a cosa significa questo per chi legge. Una pagina di conversazione ordinaria viene trascritta bene e si legge in modo fluido. Poi arriva un cognome, o il nome di un prodotto, o una cifra, e viene sbagliato. Niente sulla pagina segnala la differenza. La parola sbagliata è scritta con lo stesso carattere sicuro delle altre, circondata da frasi corrette, che è esattamente il contesto che rende plausibile un errore. Una trascrizione può leggersi in modo impeccabile ed essere sbagliata proprio nei punti che avresti voluto usare.

C’è un motivo se quelle categorie falliscono insieme. Le parole comuni sono vincolate da tutto ciò che le circonda, quindi un sistema che ne sente male una riesce a correggersi grazie al contesto. Un nome non ha questo vincolo: quasi qualsiasi suono potrebbe essere il nome di qualcuno, e non c’è nulla nella grammatica che escluda un’ipotesi sbagliata. Il gergo specialistico ha lo stesso problema, con la difficoltà aggiuntiva che spesso una parola comune suona abbastanza simile da essere sostituita a quella tecnica. I numeri sono il caso più netto, perché una piccola differenza acustica produce un valore completamente diverso e la frase resta comunque leggibile e corretta.

La punteggiatura è un’ipotesi su dove finiscono le frasi

La punteggiatura automatica non è trascrizione. È una deduzione basata su pause, intonazione e ritmo su dove finisce un pensiero e dove inizia il successivo. Nella maggior parte dei casi l’ipotesi è giusta, o comunque abbastanza giusta da non far notare nulla.

Dove sbaglia, il significato cambia. Un punto messo nel mezzo di una frase può separare una precisazione da ciò a cui si riferiva, così un’affermazione sfumata diventa netta e un’ipotesi diventa un’affermazione certa. Ogni singola parola può essere corretta e la frase può comunque dire qualcosa che chi parlava non ha detto. Questo tipo di errore è invisibile sulla pagina, perché non c’è nulla da notare. Non puoi correggerlo rileggendo la trascrizione. Solo l’audio te lo può confermare.

Le etichette per chi parla hanno un problema simile. Di solito sono corrette per tutta la durata dell’intervento di una persona, e meno affidabili nei momenti di passaggio, dove una breve battuta può finire attribuita alla persona sbagliata. Se stai prendendo una citazione vicino a un cambio di chi parla, quella è una riga da riascoltare.

Il livello di qualità richiesto dipende dall’uso che ne farai

La domanda non è se una trascrizione sia precisa. È se lo è abbastanza per quello che devi farci, e l’uso varia più di quanto si pensi.

Se usi la trascrizione per ritrovare qualcosa, gli errori sparsi non contano. Hai cercato una parola, sei arrivato vicino al minuto giusto, hai fatto partire l’audio. La trascrizione ha svolto il suo compito anche con un nome storpiato tre righe più su. Lo stesso vale se scorri un’ora di registrazione per decidere quali venti minuti meritano attenzione, o se trasformi un audio registrato in testo per leggerlo più in fretta di quanto potresti ascoltarlo.

Se la trascrizione andrà citata, pubblicata, archiviata, o se qualcuno che non era presente si baserà su di essa, il livello richiesto è diverso e non è negoziabile. Ogni riga che intendi usare va controllata confrontandola con l’audio, una per una. Non basta una lettura completa del documento; serve un ascolto mirato di ogni passaggio citato, perché gli errori descritti sopra sono proprio quelli che una lettura non può cogliere. Questo vale ancora più quando un numero o un nome porta il peso di un’intera frase.

Per un documento di lavoro, un’app è la soluzione più sensata. SozAI, disponibile per iOS, Android e macOS, trasforma registrazioni, file audio e video e link di YouTube in testo con etichette per chi parla, riepiloghi e traduzione in più di 99 lingue, e comunque le citazioni vanno sempre verificate con l’audio, come per qualsiasi altro strumento automatico.

Quando la trascrizione stessa è il prodotto finale, i servizi di trascrizione professionale svolti da persone sono la scelta giusta. Costano più perché una persona resta lì ad ascoltare, ed è esattamente quello che stai pagando: qualcuno che sente il nome e lo scrive correttamente, che sa dove finisce davvero la frase, che segnala il passaggio realmente incomprensibile invece di tirare a indovinare. Se il documento è destinato a un cliente, un tribunale, un archivio o una pubblicazione, quel costo ti sta comprando qualcosa di concreto. Se la trascrizione è uno strumento che usi privatamente per arrivare più in fretta all’audio, quel costo ti sta comprando qualcosa di cui non hai bisogno.

Una seconda registrazione vale più di un’ora di correzioni

Migliorare la registrazione è quasi sempre più economico che migliorare il risultato dopo. Dieci minuti spesi per spostare il microfono, chiudere una finestra, spegnere la ventola e chiedere alle persone di parlare una alla volta ti fanno risparmiare più lavoro di un’ora passata a correggere il testo dopo, e il risultato è migliore rispetto a quello che ottieni correggendo, perché una trascrizione corretta a mano è buona solo quanto la pazienza che hai avuto fino alla fine.

Questo è più facile da applicare quando la situazione si ripete. Se registri regolarmente lo stesso tipo di conversazione, una volta che hai sistemato la configurazione migliori tutto ciò che registrerai da quel momento in poi. Conta soprattutto per le interviste, dove il materiale spesso non è ripetibile e le citazioni sono l’obiettivo principale; gran parte delle regole pratiche per trascrivere interviste riguardano proprio come registrarle.

A volte non c’è una seconda occasione. La conversazione è avvenuta una sola volta, il telefono era in tasca, e quell’audio è quello che hai. In quel caso la scelta onesta è smettere di aspettarsi che il software risolva tutto e prevedere invece del tempo per correggere, oppure affidare il lavoro a una persona. Un audio difficile non diventa facile solo perché avresti voluto il contrario.

Cosa aspettarti quando apri il file

Aspettati un testo fluido e leggibile con qualche nome sbagliato qua e là. Aspettati che i passaggi in cui le persone parlavano sopra le altre risultino poveri, confusi o silenziosamente assenti. Aspettati scelte di punteggiatura che tu non avresti fatto, ed etichette per chi parla in gran parte corrette ma poco affidabili nei momenti di passaggio. Non aspettarti segnalazioni, evidenziazioni o indicazioni di incertezza. Il documento sembrerà ugualmente sicuro dall’inizio alla fine, e non sarà ugualmente corretto dall’inizio alla fine.

Aspettati che nomi e termini specialistici richiedano sempre un controllo, indipendentemente da quanto fosse pulita la registrazione. Falliscono anche con un audio ottimo, solo un po’ meno spesso.

E conserva l’audio. Una trascrizione automatica non può verificare se stessa, e tutti i controlli che contano passano dall’ascolto. Una trascrizione accompagnata dalla registrazione è uno strumento di lavoro affidabile. Una trascrizione senza la registrazione è un documento che nessuno può controllare, nemmeno tu.