Trascrivere registrazioni in altre lingue: cosa fanno bene i modelli e dove inciampano

Chi studia, fa ricerca o lavora a livello internazionale finisce con registrazioni in più di una lingua: un'intervista in turco, una registrazione familiare in arabo, la lezione di un ospite in inglese, una riunione in cui si mescolano polacco e tedesco. Il riconoscimento vocale moderno se la cava sorprendentemente bene — se ne conosci i punti deboli.

Quante lingue riconoscono i modelli?

Whisper di OpenAI è stato addestrato su 99 lingue; Sprechverlauf usa il veloce Whisper Large v3 Turbo nella prova gratuita. Microsoft MAI-Transcribe-2, il modello dei piani a pagamento, supporta 60 lingue secondo la sua model card e separa anche i parlanti. Microsoft riporta un word error rate medio del 5,2 per cento sul benchmark FLEURS. È una media: le lingue grandi con molti dati di addestramento fanno meglio, quelle più rare peggio.

Trappola 1: lingue molto affini

Croato, serbo e bosniaco; hindi e urdu; malese e indonesiano: suonano così simili che il rilevamento automatico della lingua può sbagliare su clip brevi. Un'intervista in serbo può uscire con l'ortografia croata, oppure l'urdu in devanagari invece che in alfabeto arabo. La soluzione è semplice: seleziona esplicitamente la lingua prima di iniziare.

Trappola 2: dialetti e gergo

L'arabo è l'esempio più chiaro: l'arabo egiziano, levantino e marocchino differiscono molto, eppure la maggior parte dei testi scritti usa l'arabo standard moderno. I modelli tendono a riportare il dialetto parlato verso la lingua standard o a fraintendere le parole regionali. Lo stesso vale, in misura minore, per lo svizzero tedesco, il portoghese brasiliano o il cantonese.

Trappola 3: lingue tonali e scritture senza spazi

In cinese, vietnamita o thai, il tono cambia il significato di una sillaba. Riverbero, musica e compressione pesante sfocano proprio questo — qui una registrazione pulita conta doppio. Anche cinese, giapponese e thai non separano le parole con spazi; il modello deve stabilire da solo i confini delle parole. Controlla con attenzione nomi e termini tecnici.

Trappola 4: cambiare lingua durante la conversazione

In molte famiglie e squadre, le persone cambiano lingua a metà frase. Se forzi una lingua, il modello deve scrivere tutto in quella. Per le registrazioni miste, «automatico» è la scelta migliore; Microsoft dice che MAI-Transcribe-2 è costruito proprio per questo tipo di code-switching.

In breve

• Una lingua: selezionala prima di iniziare, soprattutto per clip brevi e lingue affini.
• Più lingue nella stessa conversazione: lascia su «automatico».
• Dialetto: aspettati scostamenti e controlla le citazioni al timestamp.
• Lingue tonali: registra in modo pulito, senza musica di sottofondo.