Whisper in italiano: cosa fa e quali sono i suoi limiti

Whisper è un modello di riconoscimento vocale pubblicato da OpenAI come software aperto. A differenza di molti servizi di dettatura, non è legato a un server: puoi eseguirlo sul tuo computer. Per questo è alla base di diversi strumenti di trascrizione locale, Verbavox compreso.

Qui spieghiamo cosa fa, come se la cava con l’italiano e dove sbaglia. Non citiamo percentuali di errore, perché dipendono troppo dalla voce, dal microfono e dal tipo di testo.

Cos’è Whisper

Whisper trasforma l’audio in testo. Secondo la pagina del progetto, è stato addestrato su una grande quantità di audio in molte lingue, e l’italiano è tra quelle supportate. Esiste in più dimensioni, dalla più piccola (tiny) alla più grande (large): i modelli grandi sono più precisi ma più pesanti e più lenti.

Come gira sul tuo computer

Il modello originale è pensato per i ricercatori. Per usarlo in un’app per tutti si usa una versione ottimizzata come whisper.cpp, che lo esegue in modo efficiente anche su un portatile. Su Mac con chip Apple può sfruttare la GPU tramite Metal.

Verbavox usa il modello di dimensione small, un file di circa 470 MB che si scarica al primo avvio. È un compromesso: più preciso dei modelli piccoli, abbastanza leggero da girare su un Mac comune.

Come se la cava con l’italiano

Whisper trascrive l’italiano corrente in modo credibile, ma non è perfetto. I punti dove ti conviene rileggere:

Nomi propri e cognomi, soprattutto se poco comuni.
Termini tecnici e sigle del tuo settore.
Numeri, date e importi, che vanno sempre controllati.
Frasi miste italiano e inglese. In Verbavox la lingua è fissata sull’italiano, quindi le parole inglesi vengono trascritte con una tendenza all’italiano.
Ambienti rumorosi o microfoni lontani.

Il problema dei silenzi

Whisper ha un difetto noto: quando c’è silenzio o rumore di fondo può inventare del testo. Per limitarlo, Verbavox scarta le registrazioni troppo brevi o silenziose e filtra alcune frasi tipiche di questo errore. Non elimina il problema in ogni caso, quindi controlla sempre che il testo incollato sia quello che hai detto.

Non è in tempo reale

Whisper lavora su un pezzo di audio alla volta. Per questo Verbavox trascrive quando rilasci il tasto e il testo compare dopo, non mentre parli. È una scelta di progetto: in cambio di un po’ di attesa, la trascrizione avviene tutta sul tuo computer.

Come ottenere risultati migliori

Tieni il microfono vicino e usa lo stesso microfono ogni volta.
Parla a frasi complete, con una pausa dove metteresti il punto.
Detta in un ambiente poco rumoroso.
Rileggi sempre nomi, cifre e date.