Come trascrivere audio in testo: metodi gratis e consigli

Un motore di trascrizione non ascolta le parole come le ascolta una persona. Divide la forma d'onda in frame sovrapposti lunghi circa 25 millisecondi e trasforma ciascuna porzione in uno spettrogramma, una mappa delle frequenze più forti in quell'istante. Il modello acustico osserva questa mappa e stima quali suoni del parlato sono presenti: il sibilo di una s, lo scoppio di una t, le forme delle vocali che distinguono ship da sheep. Da solo produce un flusso di suoni probabili, non un testo leggibile.

Il modello linguistico corregge buona parte del problema. Sa quali sequenze di parole sono probabili nelle frasi reali, quindi quando i suoni potrebbero essere recognize speech oppure wreck a nice beach, è il contesto a far pendere la bilancia. I sistemi più vecchi tenevano separate le due parti e le addestravano su materiale limitato e letto con cura, ed è per questo che i software di dettatura degli anni 2010 inciampavano su accenti e parlato colloquiale.

Nel settembre 2022 OpenAI ha rilasciato Whisper, un modello aperto addestrato su circa 680.000 ore di audio multilingue raccolto dal web. Unisce la parte acustica e quella linguistica in un'unica rete che legge finestre di 30 secondi e scrive direttamente il testo con la punteggiatura. I modelli di questa famiglia hanno reso molto più utilizzabili parlato con accento, vocabolario misto e registrazioni reali disturbate, e oggi la maggior parte dei servizi di trascrizione gratuiti, compresi gli strumenti nel browser, usa qualcosa di simile. Però tirano comunque a indovinare e, quando l'audio non è chiaro, indovinano in modo fluente, per cui gli errori sono più difficili da notare.

L'accuratezza si misura di solito come word error rate, il tasso di errore sulle parole: la quota di parole sostituite, omesse o inventate rispetto a una trascrizione umana accurata. Un tasso di errore del 5% significa un errore ogni venti parole, che sembra poco finché non si nota che gli errori si concentrano sulle parole importanti, come un cognome, un codice prodotto o una cifra in una discussione sul budget.

I fattori che seguono sono elencati più o meno in ordine di danno. Quasi tutti si decidono al momento della registrazione, non della trascrizione. Spostare un telefono dal centro del tavolo a una distanza di un braccio da chi parla spesso serve più di qualsiasi impostazione modificabile in seguito.

La maggior parte delle registrazioni si può caricare così com'è. La preparazione serve in tre casi: il file è troppo lungo o pesante, il parlato è sepolto sotto silenzio o musica, oppure il livello è così basso da dover alzare al massimo il volume per sentire. Un lungo silenzio iniziale è più di un tempo sprecato, perché il rilevamento automatico stabilisce la lingua dai primi 30 secondi e può basarsi sul rumore della stanza o su un jingle introduttivo. Tagliare la registrazione alla parte con il parlato, oppure impostare Inizio per saltarla, evita il problema.

La conversione di formato serve di rado. I Memo Vocali di iPhone sono M4A (audio AAC), i registratori Android producono M4A, AAC o 3GP e i registratori di chiamate spesso AMR: tutti si possono caricare direttamente. Convertire un file compresso in WAV non recupera i dettagli persi in fase di registrazione, come spiega il confronto nella nostra guida a MP3, WAV, FLAC e AAC, quindi conviene convertire solo se uno strumento rifiuta il formato. Per una registrazione di diverse ore, conviene dividerla in pause naturali, come una pausa caffè o un cambio di argomento, così ogni parte resta entro il limite di caricamento ed è più facile da rileggere.

Il formato di uscita va scelto in base a ciò che si farà dopo. Per leggere, citare o cercare nella trascrizione vanno bene il testo semplice o Word; Word mantiene paragrafi, marcatori temporali ed etichette dei parlanti pronti per la modifica, mentre il PDF serve a inviare una copia fissa che nessuno deve modificare. Se le parole compariranno sullo schermo sopra un video serve un file di sottotitoli: SRT o VTT dividono il parlato in brevi sottotitoli, ciascuno con un tempo di inizio e di fine, e la lunghezza della riga decide quanto testo sta a schermo. Quarantadue caratteri per riga è lo standard televisivo più diffuso.

SRT e VTT contengono le stesse informazioni con piccole differenze. SRT, dal vecchio programma SubRip, numera ogni sottotitolo e scrive i tempi con la virgola (00:01:15,000). WebVTT è il formato W3C per il video HTML5; inizia con un'intestazione WEBVTT, usa il punto nei tempi e consente stili e posizionamento. YouTube, Vimeo, Premiere Pro e DaVinci Resolve accettano entrambi. Il JSON con i tempi per ogni parola è pensato per gli sviluppatori che creano ricerche, evidenziazioni in stile karaoke o un proprio layout di sottotitoli.

Prima di caricare qualcosa, conviene verificare cosa fanno già i propri dispositivi. Apple ha aggiunto le trascrizioni all'app Memo Vocali con iOS 18, quindi una registrazione fatta con un iPhone recente può mostrare il testo direttamente nell'app. L'app Recorder di Google sui telefoni Pixel trascrive durante la registrazione dal 2019, interamente sul dispositivo, e sa distinguere i parlanti. In Microsoft 365, Word per il web ha un comando Trascrivi accanto a Detta che accetta file MP3, M4A, WAV e MP4 caricati, con un limite mensile di minuti. La digitazione vocale di Google Documenti (in Strumenti, con Chrome) ascolta solo un microfono in tempo reale e non può leggere un file esistente.

Un'altra fonte sono le piattaforme di riunione. Zoom, Microsoft Teams e Google Meet possono produrre la trascrizione di una chiamata quando la trascrizione è attiva e il piano o l'organizzazione lo consente, e assistenti come Otter.ai partecipano alle riunioni per prendere appunti. Sono comodi per le chiamate che si organizzano, ma ognuno funziona solo nella propria app, richiede il consenso di tutti per registrare ed esporta nei propri formati. Per un file già disponibile, come una vecchia intervista, la registrazione di una lezione o un messaggio vocale inoltrato da altri, di solito è più semplice un trascrittore basato su file.

Uno strumento nel browser copre ciò che le opzioni integrate lasciano fuori: qualsiasi file da qualsiasi dispositivo, formati di sottotitoli e lingue non supportate dal telefono. Nel convertitore da audio a testo basta aggiungere il file, lasciare Lingua parlata su rilevamento automatico o scegliere la lingua, selezionare un Formato di uscita e attivare Marcatori temporali o Etichette dei parlanti se servono. I memo vocali di iPhone hanno una pagina dedicata, M4A in testo, mentre i file di podcast o registratori hanno MP3 in testo; entrambe usano lo stesso motore. Ogni file può arrivare a 95 MB, circa un'ora e mezza di MP3 a 128 kbps. Per registrazioni più lunghe, usare Inizio e Fine per trascrivere a parti, oppure tagliare prima la registrazione.

Meglio avere aspettative realistiche. Un solo parlante con un buon microfono in una stanza silenziosa di solito ottiene il 90–95% di parole corrette o più, spesso abbastanza da pubblicare dopo una lieve revisione. Un telefono su un tavolo in un ristorante affollato, una conferenza telefonica con cadute o un dibattito in cui ci si interrompe possono scendere molto di più, con frasi intere mancanti. Le etichette dei parlanti sono affidabili quando le voci sono molto diverse e ci si alterna, e scambiano due voci simili più spesso di quanto ci si aspetti.

Rileggere con l'audio aperto, non solo dal testo, perché i modelli moderni scrivono frasi grammaticalmente corrette anche quando sono sbagliate. Controllare ogni nome proprio, perché il modello non può sapere che un collega scrive Caitlin o Katelyn. Controllare ogni numero: fifteen e fifty, date, prezzi e percentuali si fraintendono facilmente. Prestare attenzione agli omofoni come their/there, affect/effect e complement/compliment, e al testo inventato con sicurezza dove l'audio non era chiaro. I marcatori temporali rendono tutto più rapido, perché si può saltare al momento esatto in cui è stata pronunciata una frase dubbia.

Una registrazione contiene spesso più informazioni personali di un documento: voci, nomi, dettagli sulla salute, cifre di stipendi. Prima di caricare, bisogna sapere dove va il file e per quanto tempo resta. Su UltKit i caricamenti vengono elaborati sul server ed eliminati automaticamente 30 minuti dopo l'elaborazione; non c'è alcun account, quindi nulla è legato al proprio nome. Pixel Recorder funziona offline, quindi l'audio non lascia mai il telefono. Per qualsiasi contenuto coperto da accordo di riservatezza o segreto medico o legale, conviene prima verificare la policy della propria organizzazione: alcune richiedono servizi approvati e contrattualizzati.

Il supporto linguistico è ampio ma non uniforme. Il trascrittore copre 33 lingue, tra cui inglese, spagnolo, francese, tedesco, portoghese, arabo, hindi, giapponese, coreano, cinese e ucraino, e i risultati migliori si ottengono nelle lingue con più dati di addestramento. Il rilevamento automatico sceglie una sola lingua per file. Se una riunione passa da una lingua all'altra, conviene trascrivere ogni tratto separatamente impostando la lingua a mano. La trascrizione è sempre scritta nella lingua parlata; la traduzione è un passaggio separato da fare in seguito sul testo.

La maggior parte delle trascrizioni fallite dipende da poche cause, e la soluzione sta di solito nel file o in una sola impostazione, più che nel provare un altro servizio. Se l'audio è troppo scadente perché una persona riesca a seguirlo comodamente, anche la macchina farà altrettanta fatica, e una breve trascrizione manuale dei passaggi chiave può essere più rapida che correggerne una automatica lunga.