Software di trascrizione, spiegato

La semplice verità sulla precisione (e la trappola del 95%)

Ogni prodotto di trascrizione su internet dichiara una precisione tra il 95% e il 99%. Notta pubblicizza il 98,86%. Happy Scribe vende un piano di trascrizione umana al 99%. Le nostre FAQ in modalità locale dicono che la precisione "va tipicamente dal 95% al 99%". Nessuno di questi numeri è una bugia. Sono il numero sbagliato, presentato senza specificare su quale audio è stato misurato.

Ecco cosa dice la ricerca sottostante. OpenAI Whisper large-v3 è il modello contro cui praticamente ogni strumento di trascrizione moderno si misura, copia o compete. Riporta un Word Error Rate medio del 7,44% nella classifica pubblica Hugging Face ASR. Su LibriSpeech-clean (registrazioni di audiolibri in qualità studio) lo stesso modello raggiunge un WER del 2,01%. Su AMI, il benchmark standard per sale riunioni con voci sovrapposte e acustica scadente, lo stesso modello raggiunge un WER del 15,95%. Stesso modello. Stessa settimana. Otto volte più errori sull'audio peggiore.

Quel divario è la trappola del 95%. "Precisione del 95%" in condizioni da studio può diventare 84% nella riunione convocata dal tuo capo da un'auto in movimento. Il model card di OpenAI lo dice esplicitamente: le prestazioni variano tra le lingue, sono più basse per quelle con poche risorse, e cambiano con accento, età, genere e contesto demografico. NVIDIA dice lo stesso di Parakeet: 1,93% WER su LibriSpeech-clean, 11,31% WER su AMI.

Quindi, quando leggi un numero di precisione su una pagina marketing, fai la domanda che il venditore non ha risposto. Su quale audio. Con quale microfono. In quale lingua. Con quanti parlanti che si sovrappongono. Se la pagina non lo specifica, assume che sia il caso migliore. E poi assume che il tuo audio reale sia peggio.

La semplice verità è che il miglioramento più importante che puoi fare alla tua precisione di trascrizione è un microfono, non un modello.

Trascrizione AI vs. trascrizione umana

Nel mondo esistono oggi due tipi di software di trascrizione. Hanno prezzi come se fossero la stessa cosa, e questo è la fonte di circa metà della confusione.

La trascrizione AI è quella economica e istantanea. Carichi un file, o detti dal vivo, e un modello restituisce il testo in pochi secondi. La precisione si attesta tra l'84% (una brutta riunione) e il 98% (un memo vocale pulito). Happy Scribe addebita $0.20 al minuto per i pacchetti aggiuntivi sui suoi piani AI. La nostra modalità Cloud ti costa circa $0.003 al minuto direttamente tramite OpenAI. Otter, Notta, Trint, Descript, Jamie: tutti basati su AI, spesso sugli stessi modelli.

La trascrizione umana è quella costosa e lenta. Una persona ascolta il tuo audio e lo trascrive. Il piano umano di Happy Scribe parte da $2.00 al minuto. Pubblicizzano precisione al 99% con tempi di attesa di quattro ore o più. Rev, GoTranscript e altri si trovano circa nella stessa fascia di prezzo. Il caso d'uso è reale ma ristretto: trascrizioni di tribunale, deposizioni mediche, qualsiasi cosa in cui un output AI al 92% con il nome di un farmaco sbagliato porterebbe qualcuno in aula.

La maggior parte di chi legge questo articolo vuole l'AI. Usa la tabella per esserne sicuro.

L'errore che vedo fare alla gente è pagare per la trascrizione umana per paura. E poi non leggere mai il risultato perché arriva sei ore dopo, quando hanno già passato ad altro. Se la risposta verrà ignorata entro martedì, l'AI va benissimo.

Cloud vs. locale: dove finisce il tuo audio

Nessuno vuole leggere questa parte, eppure tutti dovrebbero. Scegli uno strumento di trascrizione e l'audio della tua voce — ogni parola — finisce da qualche parte. Il dove conta.

La trascrizione Cloud significa che il tuo audio lascia il computer. Va al server di un fornitore, viene trascritto da un modello sul loro hardware, e il testo (e di solito l'audio) viene conservato abbastanza a lungo da permetterti di recuperarlo. Otter, Trint, Notta, Happy Scribe, Descript, Jamie, Wispr Flow: tutti Cloud. Lo è anche la nostra modalità Cloud, con una differenza importante. In modalità Cloud, l'audio viene inviato dalla tua macchina direttamente a OpenAI usando la tua chiave API. Whisper by Remskill non è mai in mezzo, non vede mai l'audio, non vede mai le trascrizioni. Il responsabile dei tuoi dati è la società il cui modello hai scelto.

La trascrizione locale significa che l'audio non lascia mai il tuo laptop. Il modello gira sul tuo CPU o GPU. Nessun round-trip di rete. Nessun log del fornitore. Nessuna clausola "potremmo usare i tuoi dati per migliorare il servizio". Apple Dictation lo fa per il testo generico sui Mac supportati. Le nostre modalità locali (Parakeet e Whisper) lo fanno su Windows e Mac Apple Silicon. Quasi nessun altro in questa categoria propone un'opzione veramente locale.

Una volta ho visto un team interno di un'azienda con cui lavoravo accumulare un conto cloud-AI a cinque cifre in un trimestre, dettando registrazioni degli standup quattro volte ciascuna. Il "retry intelligente" del prototipo era troppo aggressivo. Il CFO aprì il pannello durante la successiva revisione trimestrale. La stanza divenne molto silenziosa. Il punto non è che il Cloud sia costoso (di solito non lo è, al volume di un singolo utente). Il punto è che non ti accorgi sempre di cosa lascia il tuo computer finché qualcuno non te lo chiede.

La maggior parte delle app di dettatura AI che vedi pubblicizzate oggi sono involucri da $30 al mese attorno alla stessa chiamata API OpenAI Whisper che potresti fare tu stesso. Ti addebitano il ricarico Cloud per un software che perlopiù esegue il modello sul loro server e ti rimanda il risultato allo schermo. Quel modello esiste dal 2022. La parte costosa non è l'AI. La parte costosa è l'abbonamento ricorrente. Se il tuo audio è sensibile, o se il tuo laptop è degli ultimi quattro anni e non fa molto altro, il locale è la scelta onesta.

That choice deserves its own breakdown, so our local vs cloud transcription guide spells out the accuracy, privacy, and cost trade between keeping audio on your machine and sending it to a server.

If that resonates, it is worth reading how offline speech-to-text desktop apps keep your voice on your own machine.

Cosa fa Whisper by Remskill (e cosa non fa)

Whisper by Remskill è la nostra app. È uno strumento desktop (Windows e Mac Apple Silicon) che mette il riconoscimento vocale dietro un tasto rapido. Premi il tasto, parli, lo rilasci, e il testo appare dove si trova il cursore. Funziona in qualsiasi app: email, Word, Slack, editor di codice, la barra degli indirizzi del browser. La pipeline locale è gratuita per qualsiasi utente autenticato (Whisper, Parakeet, Ollama AI enhancement, cronologia, preset, tasto rapido personalizzato). Nessun metodo di pagamento richiesto all'iscrizione. Pro aggiunge le funzionalità Cloud.

Offriamo tre percorsi di trascrizione. L'app non ne sceglie uno di default; scegli tu:

Il tasto rapido predefinito è Ctrl+Space su Windows e Command+Option su macOS, entrambi personalizzabili nelle Impostazioni. La parola chiave predefinita per l'attivazione AI (quando l'elaborazione AI è attiva) è "Hey whisper". Il potenziamento AI locale gira tramite Ollama su localhost:11434. Tre preset di performance (Veloce, Bilanciato e Preciso) cambiano in modo trasparente la dimensione del beam e le soglie di rilevamento vocale.

Cosa non fa Whisper by Remskill: bot per riunioni. Non si unisce al tuo Zoom, non lo riassume dopo, non insegue gli inviti del calendario. Uno strumento sul tuo computer, un tasto rapido, un testo incollato al cursore. Se vuoi un prendere appunti per riunioni, ti serve una categoria diversa. Continua a leggere.

Una nota sui nomi, perché crea confusione quasi sempre. Whisper-il-modello-OpenAI è un modello open-source gratuito di riconoscimento vocale rilasciato nel 2022. Whisper by Remskill è la nostra app desktop, che usa quel modello (tra gli altri). Quando qualcuno online dice "uso Whisper", metà delle volte intende il modello e metà l'app. Vale la pena tenere a mente quando si leggono le recensioni.

L'overlay di registrazione, in tre stati

La pillola compare in fondo allo schermo ogni volta che Whisper è attivo. Resta defilata e non invade le tue app.

Scegliere il modello Whisper giusto per il tuo hardware

Le varianti inglesi (.en) supportano solo l'inglese: sono un po' più veloci e un po' più precise sull'audio in inglese rispetto agli equivalenti multilingue. Scegli la versione multilingue solo se detti in più di una lingua o ti serve la traduzione in inglese.

Gli altri strumenti da conoscere

Incontrerai questi nomi se cerchi su Google "miglior software di trascrizione". Ne ho usati la maggior parte, e alcuni li tengo a portata di mano per lavori che la nostra app non fa.

Otto strumenti, passati in rassegna. Quasi tutto il resto in questa categoria è una di queste aziende rebrandizzata, o uno di questi modelli in una scatola più piccola.

If text-to-speech is what you actually need here is the honest free TTS roundup with the H1-vs-FAQ trick every "free" page hides.

Quando saltare tutti gli strumenti di questa lista e usare solo il telefono

Before you pay anyone anything, check what is already on your phone. iOS ships system-level dictation through Voice Control and the keyboard mic. Android ships Live Transcribe and Gboard voice typing. Both are free, no signup, work in every app, and the quality on modern phones is good enough for short text — we walked through the talk-to-text shortcuts on every device if you want the exact key combos.

Se il tuo lavoro è "rispondere a un messaggio mentre cucino la cena" o "scrivere una nota di 60 parole prima che inizi questa riunione", il telefono è la risposta giusta. Più veloce che aprire un laptop, più veloce che accedere a qualsiasi cosa, senza costi mensili. Vale anche la pena guardare Apple Dictation su Mac. Sui Mac supportati elabora il testo generico sul dispositivo, detta quanto vuoi senza un limite fisso di lunghezza, e si ferma da sola dopo 30 secondi di silenzio. Quel timeout di silenzio è la fonte del persistente mito "Apple Dictation ha un limite di 30 secondi": non è il limite di registrazione. Apple Dictation copre oggi 62 varianti linguistiche e regionali, più della maggior parte dei prodotti a pagamento.

Dove il telefono cade è nella dettatura prolungata nelle app desktop. Puoi dettare un'email dal telefono. Puoi dettare un batch di 12 varianti di cold email nel tuo CRM dal telefono. Lo odierai. Uno strumento desktop guadagna il suo posto lì. Fino ad allora, il telefono è gratuito.

If most of your desktop dictation is email — specifically dictating Gmail replies on a laptop — there is a separate breakdown of the Chrome-extension path versus the system-app path that goes deeper than this article does.

Prezzi

La maggior parte degli strumenti di trascrizione vuole $20-$50 al mese. Noi addebitiamo meno, e puoi pagare una volta sola.

Il panorama dei prezzi in questa categoria si divide in quattro fasce. Gli strumenti con abbonamento solo AI (Otter, Trint, Notta, Descript, Jamie) si trovano nella fascia da $10 a $50 per utente al mese, a volte con un piano gratuito generoso limitato dai minuti di registrazione. I servizi AI+umano come Happy Scribe quotano al minuto in aggiunta a un abbonamento; il solo piano umano va da $1.90 a $2.00 al minuto. Gli strumenti di dettatura con tasto rapido (Wispr Flow, noi) sono prezzati come software di produttività, mensile o annuale per singolo utente, a volte con opzione lifetime. E poi c'è l'opzione gratuita: Apple Dictation, Google Voice Typing, il microfono integrato della tastiera del tuo telefono. Zero al mese per tutto il tempo in cui Apple e Google distribuiranno quei sistemi operativi.

La regola di decisione onesta non è "cosa costa meno". È "qual è il costo ricorrente nei prossimi tre anni per quello che faccio davvero?". Uno strumento per riunioni da $20 al mese che usi due volte a settimana fa $720 in tre anni. Un acquisto lifetime di uno strumento di dettatura che usi ogni giorno è una sola fattura. Moltiplica la tua abitudine mensile per 36 prima di cliccare su iscriviti. La matematica raramente è amica di un abbonamento che usi una volta a settimana.

I nostri prezzi attuali (mensile, annuale, lifetime, team) si trovano sulla pagina dei prezzi. Non li cito qui perché cambiano e la pagina è la fonte di verità.

La versione noiosa di questo articolo è che già sai di cosa hai bisogno. Scrivi tutto il giorno? Uno strumento di dettatura con tasto rapido, locale o Cloud. Una riunione a settimana? Un prendere appunti per riunioni, abbonamento mensile. Un'intervista singola di 90 minuti? Paga $0.20 al minuto a Happy Scribe e vai avanti. Una deposizione legale? Assumi un umano. La versione non noiosa è che la maggior parte delle persone in questa categoria sta pagando per il prodotto sbagliato perché le pagine marketing sono tutte scritte dagli stessi tre copywriter. La mossa onesta è guardare cosa hai fatto questa settimana, non cosa speri di fare il mese prossimo, e scegliere lo strumento la cui headline descrive esattamente quello. Il resto è rumore.