In sintesi
- Il riconoscimento vocale calcola quale testo è più probabile per un dato tratto di audio. Nella registrazione non c'è nessun copione nascosto da tirare fuori.
- L'addestramento su enormi quantità di audio multilingue ha reso i modelli più solidi, ma il fatto che una lingua sia supportata non garantisce la qualità del risultato.
- Etichette dei parlanti, timestamp, punteggiatura ed esportazione sono blocchi separati che lavorano attorno al riconoscitore, e ognuno può sbagliare per conto suo.
- Il microfono e la stanza in cui si registra pesano quasi sempre più della scelta del modello.
- Teniamo insieme l'audio, il testo sincronizzato e le correzioni umane, perché è mettendo tutto sullo stesso piano che saltano fuori gli errori.
1. Al software arriva un segnale, non una frase
Per il software, una registrazione è solo una lunga fila di numeri: ciascuno indica la pressione dell'aria in un preciso istante. Prima ancora di ipotizzare una parola, il programma taglia l'audio in brevi finestre temporali e per ognuna misura come si distribuisce l'energia tra le varie frequenze. Dalle leggi della fisica non si scappa. Due persone che parlano insieme, il rimbombo della stanza, la ventola del portatile e la compressione del file finiscono tutti mescolati nello stesso identico segnale.
Per questo il microfono conta più di quanto si aspetti la maggior parte di chi acquista. Un microfono vicino alla bocca conserva le consonanti e i piccoli silenzi tra una parola e l'altra. Un telefono lasciato al centro del tavolo durante una riunione tira su il rimbombo e tutte le voci insieme. E nessun modello linguistico rimette a posto una consonante che la stanza si è mangiata.
2. L'encoder costruisce una mappa del parlato
L'encoder prende brevi frammenti di audio e li converte in vettori. Dentro questi vettori c'è tutto quello che aiuta a fare una previsione: i dettagli fonetici, il ritmo e una prima distinzione tra voce, rumore e silenzio. Il pre-addestramento su larga scala ha cambiato parecchio questo passaggio. Uno studio del 2022 ha raccontato l'addestramento di un modello su 680.000 ore di audio multilingue a supervisione debole. Altri lavori successivi hanno allargato il campo a oltre cento lingue, e poi a più di mille, usando registrazioni che nessuno aveva mai trascritto.123
Aumentare la scala permette al modello di fare più esperienza, ma non mette tutte le lingue sullo stesso piano. Un sistema che ha sentito più microfoni, più accenti e più argomenti si farà cogliere meno impreparato dai tuoi file. Ma leggere una lingua nell'elenco di quelle supportate non ti dice come se la caverà il software con una telefonata commerciale in ebraico, un'intervista in arabo palestinese o una frase che comincia in una lingua e finisce in un'altra.
3. La decodifica è una gara tra frasi plausibili
Il riconoscitore non sceglie una parola alla volta. Dà un punteggio a intere sequenze di parole, confrontandole sia con l'audio sia con quello che sa su come si costruiscono le frasi. Per questo motivo preferisce un'espressione di senso compiuto a una fila di suoni simili. Ed è sempre per questo che, se l'audio è sporco, può inventarsi di sana pianta una frase che fila benissimo ma che nessuno ha mai pronunciato.
Il problema viene a galla soprattutto con i nomi propri, i numeri e i passaggi da una lingua all'altra. Chi fa ricerca sul riconoscimento del code-switching segnala sempre lo stesso limite: c'è tantissimo audio per le singole lingue prese da sole, ma pochissimo materiale in cui chi parla cambia lingua a metà frase. L'ebraico e l'arabo aggiungono al quadro un'ortografia poco uniforme e una carenza di parlato spontaneo registrato. I dataset di ricerca più recenti hanno aggiunto nuovo materiale, ma il divario resta.456
4. Una trascrizione finita è una catena di montaggio, non un'unica risposta
Il riconoscitore tira fuori le parole e i tempi. Capire chi ha parlato e quando spetta invece a un altro pezzo del sistema, che si occupa di separare i parlanti. Poi c'è l'allineamento, che aggancia ogni parola all'orologio, mentre punteggiatura e divisione in paragrafi rendono il testo leggibile. Infine arrivano il salvataggio, i nuovi tentativi in caso di errore, le modifiche, la ricerca e l'esportazione. Ogni passaggio è un blocco a sé e può incepparsi indipendentemente dagli altri.
A volte i vari passaggi entrano anche in contraddizione. Le parole trascritte possono essere giuste, ma assegnate alla persona sbagliata. Oppure il riassunto finale sembra perfetto, mentre nel testo un cognome è stato completamente storpiato. Noi preferiamo far vedere la fonte sincronizzata e lasciare l'ultima parola a chi revisiona il testo, invece di metterci sopra un punteggio di affidabilità.
5. Cosa controlliamo prima di fidarci di un flusso di lavoro
Fai una prova con le tue registrazioni peggiori: una videochiamata con tre persone che si parlano sopra, una lezione registrata dall'ultima fila, un vocale mandato da un corridoio pieno di gente o un cognome ripetuto quaranta volte. A quel punto cronometra quanto ci metti ad avere in mano un file corretto che manderesti davvero in giro, e non quanto tempo passa prima di vedere comparire il testo grezzo sullo schermo.
KolWrite tiene nello stesso spazio di lavoro l'audio da riascoltare, le parole, i parlanti e i timestamp, mantenendo questa struttura anche quando esporti documenti e file di sottotitoli. Questo non toglie il margine di incertezza del riconoscimento vocale, ma ti permette di trovare subito i punti dubbi e di correggerli in fretta. Perché quel pezzo di lavoro tocca ancora a una persona.
Domande frequenti
La trascrizione IA e il riconoscimento vocale sono la stessa cosa?
Il riconoscimento vocale è il passaggio che trasforma l'audio in parole. Un programma di trascrizione ci costruisce intorno il rilevamento della lingua, la separazione dei parlanti, i tempi, la punteggiatura, la modifica del testo, la ricerca e l'esportazione. Nella pratica di tutti i giorni, la maggior parte delle frustrazioni viene da questa cornice e non dal motore centrale.
Perché una trascrizione sbagliata spesso fila così bene quando la leggi?
Perché il decoder sceglie una sequenza di parole probabile basandosi sul contesto. Quando l'audio si sente male, una frase plausibile vince su quello che è stato detto davvero, e alla lettura suona comunque benissimo. Riascolta sempre la registrazione per verificare i nomi, i numeri e qualsiasi passaggio che hai intenzione di citare.
Supportare più lingue significa avere la stessa qualità in tutte?
No. Le ore di addestramento, la copertura dei dialetti e la qualità dei test cambiano parecchio da una lingua all'altra. L'elenco delle lingue supportate indica cosa il sistema è in grado di processare, ma non dice nulla su quanto sarà preciso nella tua lingua.
I timestamp vengono dallo stesso modello che genera le parole?
Non sempre. I tempi, le etichette dei parlanti e la punteggiatura spesso arrivano da passaggi separati. Ecco perché puoi ritrovarti con una trascrizione che ha le parole giuste ma nel momento sbagliato. Noi controlliamo ciascuno di questi elementi a parte.
Fonti e approfondimenti
- 1Radford et al., Robust Speech Recognition via Large-Scale Weak Supervision
- 2Pratap et al., Scaling Speech Technology to 1,000+ Languages
- 3Zhang et al., Google USM: Scaling Automatic Speech Recognition Beyond 100 Languages
- 4Chi & Bell, Improving Code-switched ASR with Linguistic Information
- 5Turetzky et al., HebDB: a Weakly Supervised Dataset for Hebrew Speech Processing
- 6Hamed et al., Dialectal Arabic-English Code-Switching Speech Recognition
