Trascrizione delle chiamate: come trascrivere le telefonate

Fai passare la registrazione di un webinar in un qualsiasi strumento di trascrizione moderno e il risultato è quasi impeccabile. Fai passare nello stesso strumento la chiamata commerciale di martedì scorso e metà dei cognomi sono sbagliati, i prezzi sono slittati e, da qualche parte a metà, le due persone sembrano diventate una sola. Stesso software, stesse voci, risultati lontanissimi — e il motivo non ha quasi nulla a che vedere con il modello.

La trascrizione delle chiamate viene trattata come un sottoinsieme della trascrizione ordinaria. È più vicina a una disciplina a sé. Tutto ciò che sei abituato a dare per scontato sulla qualità audio, sulla separazione dei parlanti e su dove si trova il file cambia nel momento in cui la conversazione viaggia su una linea telefonica invece di entrare in un microfono. Se ti interessa la meccanica generale della conversione del parlato in testo, abbiamo spiegato a parte come funziona davvero la trascrizione. Questo articolo riguarda la parte che le telefonate rompono.

Perché una telefonata è un problema più difficile di una riunione

Parti da ciò che la rete butta via. La telefonia tradizionale è a banda stretta: l'audio viene campionato a 8 kHz, il che significa che tutto ciò che supera circa 3,4 kHz viene scartato prima ancora di arrivare a un registratore. Quella banda non è decorativa. È lì che vive la differenza tra una s e una f, dove sc si separa da s, dove una sibilante porta abbastanza dettaglio da distinguere sessanta da settanta. L'audio a banda larga campionato a 16 kHz la conserva. Una linea telefonica no.

I moderni sistemi di riconoscimento vocale sono addestrati in larghissima parte su audio a banda larga, e quando ricevono un ingresso a 8 kHz la maggior parte lo sovracampiona prima di tutto. Il sovracampionamento dà al file la forma giusta. Non restituisce ciò che è stato tolto. Nelle frequenze ricostruite non c'è informazione, perché non ce n'era fin dall'inizio.

Le conseguenze si vedono nei numeri, ed è per questo che i benchmark pubblicati ingannano con tanta costanza. Gli studi controllati che cambiano soltanto la frequenza di campionamento rilevano che la banda stretta, da sola, costa precisione. Le chiamate reali ci aggiungono sopra la compressione del codec, le reti mobili, le voci sovrapposte e il rumore di fondo, e per l'audio reale dei contact center vengono comunemente indicati tassi di errore pari a diverse volte i valori delle classifiche. I benchmark dei fornitori girano quasi sempre su registrazioni pulite a banda larga, quindi considera qualsiasi cifra di precisione in evidenza come un tetto per l'audio telefonico, non come una previsione.

La compressione aggiunge il suo strato. Il G.711, ancora oggi il codec da battaglia della rete telefonica, è a banda stretta per progetto. G.722, Opus ed EVS trasportano audio a banda larga o superiore e suonano nettamente meglio, ma aiutano solo se ogni tratto della chiamata li supporta. Un solo partecipante che si collega da cellulare trascina l'intera conversazione al minimo comune denominatore, perché la rete deve transcodificare in qualcosa che entrambi i capi capiscano.

Una diagnosi che richiede trenta secondi. Apri una chiamata registrata in un qualsiasi editor audio e passa alla vista delle frequenze. Se l'energia si interrompe di colpo in una linea piatta intorno ai 3,4 kHz, stai lavorando con audio a banda stretta e nessun cambio di fornitore di trascrizione lo risolverà. Cambiare il modo in cui la chiamata viene trasportata — un tratto VoIP invece di uno mobile, una cuffia con microfono invece del vivavoce — sì.

Uno o due canali, e perché decide tutto

La seconda cosa che separa l'audio di una chiamata da quello di una riunione è quante tracce ti ritrovi alla fine, e conta più di quanto la maggior parte degli acquirenti immagini.

Una chiamata ha due lati. Se la registrazione li cattura separatamente — chi chiama sul canale sinistro, l'operatore sul destro — la separazione dei parlanti non è più affatto un problema di machine learning. È un dato del file. Ogni parola sul canale uno appartiene a una persona, ogni parola sul canale due all'altra, e la trascrizione esce etichettata correttamente anche quando entrambi parlano insieme.

Mescola quei due lati in un'unica traccia mono e hai buttato via quella certezza. Ora il software deve distinguere i parlanti dalla sola voce, usando altezza, timbro e tempi. Su audio pulito a banda larga funziona ragionevolmente bene. Su una linea telefonica a banda stretta, dove sono state filtrate proprio le frequenze che distinguono una voce dall'altra, funziona decisamente peggio — e le conversazioni telefoniche sono piene proprio della situazione che lo manda in crisi, perché senza segnali visivi le persone si interrompono molto più che di persona.

Le piattaforme per contact center registrano in doppio canale per impostazione predefinita da anni, proprio per questo motivo. Molti centralini aziendali e la maggior parte delle app di registrazione consumer ti consegnano ancora un unico file mixato. Prima di concludere che uno strumento di trascrizione gestisce male le tue chiamate, controlla quale dei due gli stai dando.

PSTN, VoIP e l'anello più debole della catena

Tre percorsi trasportano le chiamate aziendali, e producono tre qualità di registrazione diverse.

La PSTN (la rete telefonica tradizionale) e il mobile sono il percorso storico: banda stretta, senza eccezioni, con il mobile che aggiunge sopra la propria compressione. Questo è il pavimento. Il VoIP può essere molto migliore, dato che una chiamata da softphone a softphone in Opus o G.722 è davvero a banda larga, ma solo quando entrambi gli endpoint e ogni passaggio intermedio negoziano un codec a banda larga. Le chiamate miste ripiegano verso il basso. Le piattaforme di videoconferenza come Zoom, Google Meet e Microsoft Teams sono a banda larga da un capo all'altro quando tutti si collegano da un'app, ed è questo il vero motivo per cui le trascrizioni delle riunioni si leggono tanto meglio di quelle delle chiamate.

Quest'ultimo punto ha un risvolto pratico. Una riunione Teams con sei persone al portatile e una collegata dal numero di dial-in non produce semplicemente un parlante scadente: spesso produce una riunione in cui il partecipante al telefono viene trascritto sensibilmente peggio di tutti gli altri, e in cui qualunque cosa dica sovrapponendosi a qualcun altro probabilmente va persa. Se uno stakeholder si collega sempre per telefono, è bene saperlo prima di affidarti al verbale.

Cinque modi per far trascrivere una chiamata

Qui non c'è una risposta unica, solo compromessi, e quella giusta dipende molto più da dove deve finire la trascrizione che da quale motore sia di un soffio più preciso in questo trimestre.

I prezzi sono prezzi di listino pubblicati nel 2026; i contratti per contact center, in particolare, vengono negoziati abitualmente ben al di sotto, a fronte di volumi elevati.

La maggior parte dei team ragiona troppo sulla colonna «Precisione sull'audio telefonico» e troppo poco sulla colonna «Dove finisce la trascrizione». Una suite per contact center è la risposta tecnicamente corretta per la telefonia e l'acquisto sbagliato per un'azienda di dodici persone che fa quattro call di discovery a settimana su Google Meet. Per un team di questo tipo, la strada dell'assistente per riunioni di solito vince sul costo e su ciò che conta davvero, cioè se il risultato arriva nel CRM. Uno strumento come l'assistente per riunioni con IA di Laxis si muove su questa corsia: cattura su Zoom, Google Meet e Microsoft Teams, accetta file MP3, WAV e M4A caricati da chiamate registrate altrove e, con il piano Business, invia riepiloghi e azioni da svolgere a HubSpot o Salesforce. L'avvertenza onesta è la stessa che vale per qualsiasi strumento di quella colonna: è costruito attorno a riunioni e conversazioni, non ai volumi di chiamate di un contact center, quindi se trascrivi quattromila chiamate al giorno, compra la piattaforma progettata per questo. C'è una panoramica più completa degli strumenti per prendere appunti con IA se è in quella colonna che stai facendo acquisti.

In diretta, o dopo che tutti hanno riattaccato

La trascrizione in tempo reale e quella post-chiamata sembrano la stessa funzione e non si comportano affatto allo stesso modo.

La trascrizione in streaming restituisce il testo entro un secondo o due da quando le parole vengono pronunciate, ed è questo che rende possibili l'assistenza live agli operatori, gli avvisi di conformità e la traduzione a schermo. Il prezzo è la precisione. Un sistema in streaming deve impegnarsi su un'ipotesi prima di aver sentito la fine della frase e, anche se rivede le parole precedenti man mano che arriva altro audio, non ha mai il lusso del contesto completo. L'elaborazione post-chiamata sì. Ha l'intera registrazione, può guardare avanti oltre che indietro ed è in genere sia più precisa sia più economica al minuto.

La mossa utile è smettere di trattarla come una scelta unica. L'output in diretta serve per ciò che deve succedere durante la chiamata. L'output post-chiamata serve per il verbale, il riepilogo, la voce nel CRM e tutto ciò che qualcuno leggerà dopo. Molte piattaforme fanno entrambe le cose, e non c'è motivo per cui la stessa chiamata non possa produrre un flusso live approssimativo e una trascrizione finale pulita.

Due miglioramenti economici che battono il cambio di fornitore. Carica un vocabolario personalizzato con i nomi dei tuoi prodotti, quelli dei concorrenti, i formati dei tuoi SKU e i cognomi che i tuoi commerciali storpiano: i nomi propri sono il punto in cui le trascrizioni telefoniche falliscono in modo più evidente, e nessun modello li indovina senza aiuto. Poi metti tutti in cuffia. Il vivavoce in una stanza dalle pareti dure aggiunge eco, e l'eco confonde la separazione dei parlanti più in fretta di qualsiasi accento.

La parte che decide se ne è valsa la pena

Ecco la verità scomoda sui software di trascrizione delle chiamate: la precisione è ciò che tutti valutano, e il flusso di lavoro è ciò che determina se l'acquisto si ripaga.

Una trascrizione ferma in uno strumento che nessuno apre non ha alcun valore. Una trascrizione collegata al contatto giusto, sull'opportunità giusta, consultabile accanto al resto della storia di quell'account, cambia il modo in cui si gestisce una trattativa. Il divario tra questi due esiti è una questione di idraulica, e conviene risolverla prima di confrontare i motori.

Tre cose fanno la differenza. La trascrizione deve essere collegata a una scheda, non solo archiviata — contatto, azienda e trattativa aperta, individuati automaticamente dal numero di telefono o dall'invito del calendario. Deve essere ridotta a qualcosa di leggibile, perché nessuno scorre quaranta minuti di verbale parola per parola alla ricerca dell'obiezione; ciò che si usa è un riepilogo e un elenco di impegni con un nome accanto a ciascuno. E deve arrivare senza un passaggio umano, dato che qualsiasi flusso che dipenda da un commerciale che si ricordi di incollare qualcosa smetterà silenziosamente di funzionare alla terza settimana.

È su quest'ultimo requisito che la maggior parte delle configurazioni cade, ed è il motivo per cui le chiamate native del CRM e gli assistenti sincronizzati con il CRM rendono più di quanto dicano i loro punteggi di precisione. Laxis, per esempio, estrae le azioni da svolgere con il relativo responsabile e, con il piano Business, sincronizza il risultato in HubSpot o Salesforce senza che nessuno apra la trascrizione; l'elaborazione avviene nel cloud e non sul tuo dispositivo, un aspetto da verificare rispetto alle tue policy prima di impegnarti.

Cosa aspettarsi, e come scoprirlo spendendo poco

Non comprare sulla base di una cifra di precisione pubblicata. Prendi cinque registrazioni reali — la linea disturbata, l'accento marcato, quella in cui il responsabile acquisti del cliente parla sopra il tuo account executive — e falle passare in ogni strumento della tua rosa. Conta gli errori che ti costerebbero davvero qualcosa: numeri sbagliati, nomi sbagliati, attribuzione sbagliata di chi ha accettato cosa. I refusi nelle parole riempitive sono rumore.

Regola le aspettative di conseguenza. Su una chiamata VoIP pulita, con due persone in cuffia, i buoni sistemi arrivano nello stesso territorio dell'audio delle riunioni. Su una chiamata da cellulare con rumore di traffico e un accento che il modello ha sentito poco, la trascrizione sarà utile per ricordare e inaffidabile per citare. Entrambe le cose possono valere per lo stesso fornitore nello stesso giorno, ed è proprio per questo che il fornitore non può darti un numero unico e intenderlo sul serio.

Una cosa non è facoltativa: sistema il consenso prima che qualsiasi cosa parta, perché le regole variano da una giurisdizione all'altra e le sanzioni non sono teoriche. La nostra guida su come registrare una telefonata copre gli aspetti pratici e le regole sul consenso, compresi gli stati USA che richiedono l'accordo di tutte le parti.

Dove ti lascia tutto questo

Il cambiamento interessante nella trascrizione delle chiamate non è che i modelli siano migliorati, anche se lo sono. È che il collo di bottiglia si è spostato. Per gran parte dell'ultimo decennio la parte difficile era azzeccare le parole. Oggi la parte difficile è una banda di frequenze che la rete telefonica scarta da decenni e una serie di decisioni su come viene catturata la registrazione — uno o due canali, app o dial-in, banda larga o qualunque cosa la rete sia riuscita a negoziare. Queste scelte le fa chi configura il sistema telefonico, di solito senza che nessuno nomini la trascrizione.

Il che rende questa una situazione rara in cui il miglioramento più economico disponibile non è un acquisto. È una conversazione con chi gestisce la tua telefonia, attorno a due domande: possiamo registrare i due lati separatamente, e possiamo tenere più chiamate su un percorso a banda larga. Rispondi a queste due e quasi qualsiasi motore competente farà il suo lavoro.

Domande frequenti

Che cos'è la trascrizione delle chiamate?

La trascrizione delle chiamate è la conversione di una conversazione telefonica o VoIP in testo ricercabile, di solito con ogni parlante etichettato e ogni riga con il suo timestamp. Si differenzia dalla trascrizione di un normale file audio per un aspetto importante: il suono ha viaggiato attraverso un canale telefonico compresso e può arrivare come un'unica registrazione mixata o come due lati separati.

Quanto è precisa la trascrizione delle chiamate sull'audio telefonico?

Aspettati una precisione sensibilmente inferiore alle cifre pubblicate dai fornitori, perché quelle provengono da registrazioni pulite a banda larga. La banda stretta da sola costa precisione, e le chiamate reali aggiungono sopra compressione, voci sovrapposte e rumore, per cui i tassi di errore sull'audio telefonico possono essere diverse volte più alti della cifra in evidenza. La registrazione a due canali e il vocabolario personalizzato ne recuperano buona parte.

Si possono trascrivere le telefonate automaticamente?

Sì. La maggior parte dei centralini aziendali, dei CRM con telefonia nativa e delle piattaforme per contact center trascrive automaticamente non appena si attiva la registrazione, e le API di telefonia restituiscono il testo in diretta se ci sviluppi sopra. Il vincolo pratico di solito riguarda le licenze più che la tecnologia, dato che molti piani riservano la trascrizione a un livello di licenza a pagamento o a una quota mensile di minuti.

Qual è il modo migliore per trascrivere le chiamate di vendita?

Scegli la strada che porta la trascrizione sulla scheda CRM giusta senza che nessuno copi nulla. In pratica significa o un dialer con registrazione nativa nel CRM, o un assistente per riunioni che si sincronizzi con HubSpot o Salesforce per le chiamate su Zoom, Google Meet o Teams. La precisione pura conta meno del fatto che un commerciale apra mai il documento.

La trascrizione delle chiamate funziona in tempo reale?

Sì, anche se la trascrizione in diretta e quella post-chiamata sono di fatto prodotti diversi. I sistemi in streaming restituiscono il testo entro un secondo o due e rivedono le parole precedenti man mano che arriva altro audio, il che ne limita la precisione perché non possono vedere cosa viene dopo. L'elaborazione dopo la chiamata ha a disposizione l'intera registrazione ed è di solito sia più precisa sia più economica.

Dove andrebbero archiviate le trascrizioni delle chiamate?

Dove lavorano già le persone che ne hanno bisogno, il che per i team revenue significa il CRM, collegate al contatto e all'opportunità aperta anziché parcheggiate in uno strumento a parte. I team soggetti a regolamentazione aggiungono sopra periodi di conservazione e controlli di accesso. Una trascrizione che nessuno trova mentre scrive un follow-up è costata denaro invece di farne risparmiare.