Speech to text: come funziona e quanto costa

Dite una frase al telefono e guardate le parole comparire. Poi guardate la terza parola cambiare dopo che avete finito la quinta. Quello sfarfallio è l'intero settore in miniatura: una macchina che piazza una scommessa e poi la corregge appena arrivano altre prove.

Lo speech to text è ormai così ordinario che quasi nessuno si chiede più che cosa sia. Sottotitola video, apre pratiche assicurative, risponde ai menu telefonici, scrive note cliniche e registra in silenzio tutto quello che il microfono della vostra auto sente. Sbaglia anche in modi che sembrano casuali finché non si capisce il meccanismo, e a quel punto sembrano quasi inevitabili.

Dunque: che cosa copre il termine, che cosa fa il sistema tra la vostra bocca e lo schermo, quanto è onestamente accurato, chi ci si appoggia, quanto costa e che cosa si è mosso di recente. Nessuna classifica di prodotti, qui.

Il termine copre più terreno di quanto si immagini

Lo speech to text è la conversione di audio parlato in parole scritte. Il suo nome formale è riconoscimento vocale automatico, abbreviato di solito in ASR, e le due espressioni indicano esattamente la stessa cosa. Ingegneri e fornitori dicono ASR; tutti gli altri dicono speech to text, o da voce a testo, a seconda dell'abitudine.

Dove si sbaglia è nel trattarlo come una categoria di prodotto. Non lo è. È una capacità che sta sotto a molti prodotti, in due modalità che non si somigliano per niente.

La modalità dal vivo gira mentre il suono sta ancora arrivando. Le parole atterrano sullo schermo una frazione di secondo dietro a chi parla: un'app di dettatura, un sistema di sottotitolazione, il pulsante del microfono in una barra di ricerca. Niente viene salvato prima; l'audio viene consumato man mano che arriva.

La modalità file gira su una registrazione che esiste già. L'insieme è disponibile tutto insieme, quindi il sistema può leggere avanti e indietro prima di impegnarsi su una qualsiasi parola. È la modalità dietro al trasformare una registrazione in un documento dopo una riunione o un'intervista: un lavoro imparentato, con un flusso tutto suo.

Quattro tecnologie che si continuano a scambiare l'una per l'altra

I risultati di ricerca sullo speech to text sono inquinati da tre tecnologie vicine che fanno lavori genuinamente diversi. Vale la pena separarle una volta per tutte.

La confusione più fastidiosa riguarda il riconoscimento del parlante. In senso lato significa la stessa cosa del riconoscimento del parlato. In senso stretto indica l'altra metà del problema: non che cosa è stato detto, ma chi l'ha detto. Un sistema di impronta vocale confronta le caratteristiche fisiche della voce di una persona con un campione registrato per confermarne l'identità: è quello che fa una banca quando dice «la mia voce è la mia password». L'identificazione del parlante e la diarizzazione discendono dalla stessa famiglia. Vi dicono la persona, non le parole, e girano in modo indipendente: ecco perché una trascrizione può attribuire una frase al parlante sbagliato pur scrivendo correttamente ogni parola.

La sintesi vocale è l'immagine speculare pulita: una voce fabbricata a partire dallo scritto invece che uno scritto fabbricato a partire da una voce. La comprensione si appoggia sopra al riconoscimento: una volta che avete le parole, qualcosa deve ancora decidere che «spostalo a giovedì prossimo» è una richiesta di calendario. Uno smart speaker concatena tre delle quattro in meno di un secondo, ed è per questo che le persone le vivono come un'unica cosa.

Che cosa fa la macchina mentre parlate

Il modello intuitivo — il computer abbina ogni suono a una parola del dizionario — è sbagliato, e tutto ciò che potete fare di utile per migliorare i vostri risultati discende dal perché lo sia.

Un riconoscitore non identifica le parole una alla volta. Cerca la sequenza di parole che con più probabilità ha prodotto il suono ricevuto, valutando i candidati su due cose insieme: quanto ciascuno si adatta all'evidenza acustica e quanto è plausibile come pezzo di lingua. I sistemi classici tenevano tutto questo in componenti separati: un modello acustico che mappa il suono sui fonemi, un lessico di pronuncia e un modello linguistico che assegna punteggi alle sequenze di parole. I sistemi moderni end-to-end addestrano l'intera catena come un'unica rete che emette direttamente token di testo, ma l'aritmetica sottostante è lo stesso gioco di equilibrio.

Quell'equilibrio spiega la battuta più famosa del settore. In inglese «recognize speech» e «wreck a nice beach» sono quasi identiche come suono. Solo il versante linguistico rompe la parità, e la rompe chiedendosi quale frase le persone dicano davvero. Spingete la logica un po' più in là e ottenete il comportamento che tutti notano: il sistema ripara una parola che avete biascicato perché le sue vicine rendevano ovvia la risposta.

Spiega anche il fallimento che dà più fastidio. Pronunciate il cognome di un collega o il nome di un prodotto interno che il modello non ha mai incontrato durante l'addestramento e lui non può restituirlo: non «non vuole», non può. Sostituisce la cosa più vicina che conosce e tira dritto. Il rimedio è il biasing contestuale, venduto come dizionario personalizzato, vocabolario personalizzato o word boost: consegnate al sistema un breve elenco di termini e lui ripesa la ricerca a loro favore. Nella maggior parte degli strumenti è l'impostazione con la leva più lunga, ed è quella che le persone trovano per ultima.

Dieci minuti di configurazione che cambiano l'opinione su uno strumento: prima di giudicare qualsiasi app di speech to text, riempite il suo vocabolario personalizzato con venti termini: i cognomi dei colleghi, i nomi dei prodotti, gli acronimi del vostro settore, i vostri due clienti più grandi. Quasi tutti valutano il primo giorno, vedono un nome massacrato tre volte e concludono che la tecnologia non funziona. Funziona. Semplicemente non ha ancora incontrato il vostro mondo.

Il dal vivo e il dopo sono problemi diversi

È qui che le due modalità si separano, ed è qui che comincia gran parte della confusione sulla qualità. Un sistema che lavora su un file già chiuso può guardare avanti. Vede la fine della frase prima di decidere l'inizio, e questo è un vantaggio sostanziale: la stessa ambiguità acustica si risolve molto più facilmente con tre secondi di contesto futuro. Ecco perché elaborare una registrazione in genere batte la cattura dal vivo dello stesso audio. Non un prodotto di qualità diversa; un problema di difficoltà diversa.

Un sistema dal vivo non ha alcun futuro da consultare. Deve emettere qualcosa adesso, quindi pubblica un'ipotesi parziale — la sua migliore stima del momento — e la rivede man mano che arriva altro audio. Quelle revisioni sono le parole che si riscrivono da sole sullo schermo. Non un difetto: l'espressione onesta di un sistema che aggiorna la propria scommessa.

Due meccanismi determinano la sensazione che dà lo speech to text dal vivo:

• L'endpointing. Qualcosa deve decidere se avete smesso di parlare o vi siete solo fermati un attimo. Soglia corta, e il sistema vi taglia a metà pensiero; soglia lunga, e ogni frase finisce con un'attesa imbarazzante. Nessuna impostazione accontenta tutti, ed è per questo che certi strumenti sembrano impazienti e altri lenti.
• La decodifica a due passaggi. L'architettura più diffusa fa girare un modello veloce che vede solo ciò che è già accaduto per produrre i parziali che sfarfallano, e poi uno più lento, capace di guardare avanti, per fissare la riga. Bassa latenza dove serve reattività, accuratezza migliore dove il testo resta per sempre.

Anche la latenza, qui, non è un numero solo. C'è il ritardo prima che compaia la prima parola, la frequenza con cui i parziali si aggiornano e l'attesa prima che una riga venga fissata. La dimensione del blocco muove soprattutto la prima; l'endpointing muove soprattutto l'ultima. Un fornitore che cita una singola cifra sta citando quella che lo mette in luce migliore.

L'accuratezza è una proprietà del vostro audio, non del prodotto

Tutti vogliono un numero. La versione onesta richiede due frasi.

I ricercatori valutano questi sistemi con il tasso di errore sulle parole: sommate ogni parola sostituita, persa o inventata e dividete per il numero di parole effettivamente pronunciate. Più è basso meglio è, ed è l'inverso della percentuale di accuratezza dei materiali di marketing: un tasso di errore del 3% è un'accuratezza del 97%.

Su parlato pulito e ben registrato di una sola persona, nel 2026 i motori di punta si collocano all'incirca nell'intervallo 2–5%. Scribe v2 di ElevenLabs è stato misurato attorno al 2,3% a marzo 2026; Nova-3 di Deepgram e Canary Qwen di NVIDIA sono atterrati entrambi vicino al 5% su classifiche indipendenti in inglese. Numeri eccellenti e, per la maggior parte dei lettori, irrilevanti.

I benchmark sono costruiti con registrazioni che si comportano bene: frasi lette, microfoni decenti, una voce alla volta. Il vostro audio è una videochiamata con qualcuno sull'altoparlante di un portatile, un cane e due persone che si finiscono le frasi a vicenda. Su materiale reale e misto le cifre di accuratezza pubblicate si allargano da circa l'85% al 98%, e i tassi di errore su audio di riunione disordinato con più parlanti sono comunemente riportati nella fascia 15–25%. Stessi motori. Mondo diverso.

Che cosa muove il vostro numero, più o meno in ordine di danno: quante persone parlano insieme, quanto è distante il microfono dalla bocca, quanto riverbera la stanza, quanto l'accento di chi parla è rappresentato nei dati di addestramento e quanto è specialistico il vocabolario. I divari legati all'accento sono reali e riguardano tutto il settore: ogni motore in vendita oggi, il nostro compreso, perde terreno quando gli accenti sono marcati e le persone si accavallano. Qualsiasi fornitore lasci intendere il contrario sta vendendo.

C'è anche un problema più sottile: il sistema non ha idea di quando sbaglia. I punteggi di confidenza esistono, ma un modello end-to-end fluente può produrre una frase perfettamente grammaticale che nessuno ha pronunciato e restituirla con la stessa compostezza di una corretta. Un trascrittore umano scrive «[incomprensibile]». Un modello tira a indovinare.

Il miglioramento di accuratezza più economico disponibile: un microfono USB da $60 o una cuffia con filo miglioreranno i vostri risultati più di un cambio di fornitore. Riprendere da vicino taglia l'eco della stanza, solleva la voce sopra il rumore di fondo e conserva le alte frequenze che distinguono consonanti simili. Ogni modello citato qui combatte contro la stessa fisica, e la fisica è decisa prima che tocchi al software.

I lavori che lo speech to text sbriga in silenzio tutto il giorno

La produttività personale è la punta visibile. Il volume sta altrove.

I contact center sono probabilmente il più grande impiego commerciale. Il riconoscimento dal vivo alimenta i pannelli di assistenza agli operatori che fanno emergere la risposta giusta a metà frase, e trasforma il controllo qualità dall'ascolto di un campione del 2% alla valutazione di ogni singola chiamata. Instradamento, verifiche di conformità e riassunti post-chiamata poggiano tutti sulla stessa trascrizione.

Accessibilità e sottotitolazione sono il terreno dove la tecnologia ha smesso di essere facoltativa. Negli Stati Uniti la regola del Titolo II del Dipartimento di Giustizia fissa il livello WCAG 2.1 AA come standard per i contenuti digitali degli enti statali e locali, con scadenze di conformità ad aprile 2027 e aprile 2028 a seconda della dimensione della popolazione, e le organizzazioni private si allineano ampiamente allo stesso metro. Separatamente, dal 17 agosto 2026 la FCC impone ai produttori dei dispositivi interessati e ai distributori video multicanale di rendere facilmente accessibili le impostazioni di visualizzazione dei sottotitoli. Vale la pena dirlo chiaramente: i sottotitoli automatici da soli in genere non raggiungono la soglia di accuratezza che queste regole presuppongono. Punteggiano male, storpiano i nomi e saltano i suoni non verbali di cui uno spettatore sordo ha bisogno. Lo schema conforme è bozza automatica più correzione umana.

La documentazione clinica resta un mercato enorme, anche se tutto ciò che tocca informazioni sanitarie protette richiede un fornitore disposto a firmare gli accordi appropriati, non un'app generalista. I tribunali la usano come prima passata sotto revisione umana certificata. Media e istruzione la usano per rendere gli archivi ricercabili: il vero guadagno nel sottotitolare un ciclo di lezioni da 40 ore è ritrovare i quattro minuti dedicati agli autovalori.

E le riunioni, che è il modo in cui la incontra oggi la maggior parte di chi lavora in ufficio: un sistema cattura la chiamata e produce un resoconto con marche temporali ed etichette dei parlanti, facendone sempre più spesso qualcosa dopo, invece di consegnarvi un muro di testo.

Integrato nel sistema, incorporato in un'app, dedicato o un'API

Ogni prodotto di speech to text cade in uno di quattro secchi, e il secchio prevede la vostra esperienza meglio del marchio.

La divisione interessante dentro il terzo secchio riguarda che cosa succede dopo che le parole esistono. Alcuni strumenti si fermano al testo. Altri trattano la trascrizione come materia prima: Laxis, per esempio, registra e trascrive le chiamate su Zoom, Google Meet e Microsoft Teams in oltre 100 lingue, poi estrae le attività da fare e spinge i risultati dentro HubSpot o Salesforce, che è un lavoro diverso dal digitare più in fretta. Nessuno dei due approcci vince in astratto; rispondono a domande diverse. Se siete arrivati fin qui soprattutto per capire quale prodotto comprare, il nostro confronto sul campo dei migliori strumenti di dettatura fa i nomi, cosa che questa pagina evita deliberatamente.

Tre forme di prezzo, e una trappola

Il costo dipende interamente dal secchio in cui vi trovate, e le forme non sono confrontabili.

Gratis significa davvero gratis a livello di sistema operativo. Ogni grande piattaforma include la dettatura e, per usi brevi, l'opzione nativa va benissimo e gira sempre più spesso sul dispositivo invece che su un server.

Gli abbonamenti a postazione sono lo standard degli strumenti dedicati, raggruppati tra circa $10 e $20 per utente al mese, di solito con una quota gratuita per iniziare. Anche il nostro prezzo sta in quella fascia: un piano gratuito con 300 minuti di trascrizione al mese, poi $15,99 per utente per Premium e $29,99 per Business. Il conto che conta non è la tariffa in vetrina, è il vostro volume: i minuti inclusi vincono appena elaborate diverse ore a settimana, il consumo misurato vince se ci mettete mano due volte al mese.

Il prezzo a consumo delle API è dove vivono le vere economie unitarie, e i listini 2026 sono abbastanza bassi da sorprendere. AssemblyAI pubblica la trascrizione asincrona a partire da circa $0,15 per ora di audio su Universal-2 e $0,21 su Universal-3.5 Pro, con lo streaming in tempo reale a $0,45. Nova-3 di Deepgram è listato attorno a $0,0043 al minuto per il batch e $0,0077 in streaming, all'incirca $0,26 e $0,46 l'ora. GPT-4o Transcribe di OpenAI sta attorno a $6 ogni mille minuti, e il livello standard di Google Cloud attorno a $16 ogni mille minuti prima degli sconti a volume.

Due costanti valgono per tutti. Lo streaming costa sensibilmente più dell'elaborazione batch dello stesso audio — comunemente il 40–50% in più — perché state pagando una connessione tenuta aperta e una latenza più stretta. E la tariffa in vetrina è un pavimento, non un prezzo: attivate diarizzazione, riassunto, oscuramento, sentiment e vocabolario personalizzato e il costo effettivo può atterrare da due a quattro volte più in alto di quanto suggerisca la pagina dei prezzi. Questa è la trappola.

Mettete lo speech to text al lavoro sulle vostre chiamate

Laxis registra, trascrive e riassume le riunioni su Zoom, Google Meet e Microsoft Teams in oltre 100 lingue, estrae le attività da fare e si sincronizza con HubSpot e Salesforce. Il piano gratuito include 300 minuti di trascrizione al mese.

Prova Laxis gratis

Che cosa è cambiato davvero, e che cosa sta arrivando

Tre spostamenti spiegano perché tutto questo ha smesso di essere frustrante e ha continuato a migliorare.

Il primo è architetturale. Le pipeline costruite a mano, con componenti acustici, di pronuncia e linguistici separati, hanno lasciato il posto a reti singole adattate su archivi enormi di parlato registrato messo a fronte della sua forma scritta. È per questo che la copertura di accenti, lingue e parlato informale è migliorata così bruscamente, ed è per questo che è cambiata la modalità di fallimento. I vecchi sistemi producevano ovvie sciocchezze; i nuovi producono errori fluenti e sicuri di sé.

Il secondo è che i modelli sono diventati abbastanza piccoli da spostarsi. Un riconoscimento che una volta richiedeva un data center oggi gira su un telefono, e alcune funzioni di videoconferenza e sottotitolazione elaborano in locale per impostazione predefinita: un guadagno reale in privacy e affidabilità, visto che non serve connessione e nessun audio viaggia. I modelli in cloud mantengono ancora un vantaggio sull'audio difficile, sul vocabolario inusuale e sulle lingue di coda lunga, che è il compromesso onesto dietro strumenti cloud come il nostro.

Il terzo è l'architettura di streaming. Encoder progettati per consumare l'audio fotogramma per fotogramma, mettendo in cache ciò che hanno già visto invece di rielaborarlo, hanno abbassato la latenza dal vivo abbastanza da far sì che parlare con una macchina non somigli più a uno scambio via walkie-talkie. Il lavoro di NVIDIA sui conformer con cache nel 2026 ne è un esempio pubblico.

Quello che viene dopo è più interessante di un altro punto di accuratezza. I modelli che operano direttamente sull'audio — rispondono a una domanda parlata senza mai fissare una trascrizione intermedia — saltano il passaggio che questo articolo descrive, e sono già dentro ai prodotti di assistenza. Anche la valutazione è sotto pressione: il tasso di errore sulle parole tratta allo stesso modo un «il» perduto e un «non» perduto, il che è palesemente sbagliato, e i ricercatori spingono verso misure che pesino il significato. Il nostro rapporto 2026 sullo stato della categoria contiene i dati di adozione e di mercato dietro a tutto questo.

In sintesi

Il problema che resta non è sentire. Su audio pulito la tecnologia è finita: migliore della maggior parte delle persone, più veloce di tutte, a una frazione di centesimo al minuto. Le parti irrisolte sono quelle umane: sapere chi ha parlato, sapere che cosa contava, sapere quando non ha capito.

L'ultima è la vera frontiera. Un sistema capace di dire «su questa riga non sono sicuro» varrebbe più di uno due punti più accurato e muto sui propri errori. Fino ad allora, trattate il testo automatico come un'ottima bozza scritta da un collega rapido e sicuro di sé che non ha mai detto neanche una volta «scusa, puoi ripetere?».

Domande frequenti

Che cos'è lo speech to text?

Lo speech to text è la tecnologia che converte l'audio parlato in parole scritte, e il suo nome formale è riconoscimento vocale automatico. Copre sia l'uso dal vivo, dove le parole compaiono sullo schermo mentre parlate, sia l'uso differito, dove un file audio o video già archiviato viene elaborato in un secondo momento. App di dettatura, sottotitoli dal vivo, assistenti telefonici e strumenti per riunioni sono tutti prodotti costruiti sopra.

Come funziona il riconoscimento vocale automatico?

Un sistema di riconoscimento vocale automatico trasforma il segnale del microfono in una descrizione numerica del suono, poi una rete neurale cerca la sequenza di parole che con più probabilità lo ha prodotto. Quella ricerca pesa l'evidenza acustica contro quanto una formulazione è plausibile nella lingua, ed è per questo che il contesto ripara suoni che il microfono ha catturato male. Formattazione ed etichette dei parlanti vengono aggiunte dopo.

Quanto è accurato lo speech to text?

Su registrazioni pulite di una sola persona, i motori di punta ottengono all'incirca dal 2 al 5 per cento di tasso di errore sulle parole, cioè dal 95 al 98 per cento di parole corrette. Le cifre pubblicate su audio reale e misto si allargano molto di più, da circa l'85 al 98 per cento, e l'audio disordinato di riunioni con più parlanti viene spesso riportato in un intervallo di errore dal 15 al 25 per cento. Il vostro microfono e la vostra stanza contano più del vostro fornitore.

Qual è la differenza tra riconoscimento del parlato e riconoscimento del parlante?

Il riconoscimento del parlato stabilisce quali parole sono state dette. Il riconoscimento del parlante, in senso stretto, stabilisce chi le ha dette confrontando le caratteristiche vocali con un'impronta vocale registrata: è per questo che le banche lo usano per verificare chi chiama. I due girano come sistemi separati e rispondono a domande separate, anche se nella scrittura di tutti i giorni si usa spesso «riconoscimento vocale» in modo lasco per indicare l'uno o l'altro.

Lo speech to text è gratis?

Sì, su piccola scala. Windows, macOS, iOS e Android includono tutti la dettatura senza costi, e browser e suite per ufficio portano con sé la propria digitazione vocale. Gli strumenti a pagamento chiedono o un prezzo mensile a postazione, comunemente attorno ai 10 o 20 dollari, oppure una tariffa a consumo tramite API, dove i listini 2026 vanno da circa 0,15 a 1 dollaro per ora di audio.

Lo speech to text funziona offline?

In parte sì. Telefoni e portatili ormai includono modelli di riconoscimento compressi che girano in locale, quindi la dettatura di base e una parte della sottotitolazione dal vivo continuano a funzionare senza connessione e senza che l'audio lasci il dispositivo. I modelli in cloud più grandi restano in genere più forti sull'audio difficile, sul vocabolario ampio e sulle molte lingue, quindi la maggior parte degli strumenti aziendali, Laxis compreso, elabora nel cloud.

Qual è la differenza tra speech to text e text to speech?

Vanno in direzioni opposte. Lo speech to text ascolta l'audio e produce parole scritte. Il text to speech legge parole scritte e produce audio sintetico, che è ciò che alimenta gli screen reader, la narrazione degli audiolibri e le risposte degli assistenti vocali. Un assistente vocale usa entrambi: il riconoscimento per sentire la richiesta, la sintesi per rispondere.