40+ lingue tradotte dal vivo, cancellate quando si riaggancia: la trascrizione multilingue è lo strato che conserva la riunione

Il 16 aprile 2026 DeepL ha lanciato da Colonia Voice-to-Voice: una suite di traduzione vocale in tempo reale che copre quattro superfici — riunioni virtuali, conversazioni su mobile e web, situazioni di gruppo per il personale sul campo e un'API per le aziende. Gestisce più di 40 lingue, incluse tutte e 24 le lingue ufficiali dell'UE, più vietnamita, thailandese, arabo, norvegese, ebraico, bengalese e tagalog. In valutazioni alla cieca condotte da Slator su incarico di DeepL, il 96 % dei linguisti l'ha preferita alla traduzione nativa integrata in Google, Microsoft e Zoom; DeepL Voice per Zoom ha totalizzato 96,4 su 100 contro 87–89 delle piattaforme concorrenti.

È un prodotto serio, e la parte interessante non è il lancio. È una frase nelle FAQ della stessa pagina prodotto, che abbiamo riletto il 31 agosto 2026:

«DeepL non conserva in modo permanente i dati di trascrizione o traduzione. I dati della riunione vengono elaborati temporaneamente in memoria ed eliminati al termine della chiamata.»

Leggete i due fatti uno accanto all'altro. La traduzione è eccellente, e quella traduzione è sparita entro cena.

In breve

• Nel 2026 la traduzione delle riunioni in tempo reale è passata da problema difficile a commodity già consegnata: oltre 40 lingue in DeepL, 58 lingue monolingue su Nova-3 di Deepgram, traduzione dal vivo dentro Google Meet.
• Non conservare nulla è quasi sempre una scelta deliberata di privacy, non un difetto — ma significa che la riunione stessa non lascia alcun artefatto consultabile.
• La trascrizione multilingue è lo strato distinto che sta sotto. Tiene insieme, in un unico record consultabile, la trascrizione nella lingua di partenza, la traduzione, l'attribuzione di chi parla e il riepilogo. Questo articolo spiega perché a dover sopravvivere sia proprio la lingua di partenza, e come condurre la riunione perché ciò accada.

La versione di questo argomento centrata su Google l'abbiamo scritta a giugno, quando Meet e Translate spingevano la traduzione vocale dal vivo verso il grande pubblico: perché le riunioni multilingui hanno ancora bisogno di note consultabili. Da allora il mercato ha risposto a una domanda che noi ci limitavamo a porre. La traduzione dal vivo ora funziona. Quindi la domanda interessante si è spostata: lunedì mattina, cosa avete in mano?

La traduzione delle riunioni in tempo reale non è più la parte difficile

Per una decina d'anni il parlato multilingue dal vivo è stata la demo che non sopravviveva mai all'impatto con una riunione vera. La latenza mangiava i turni di parola, gli accenti rompevano il riconoscitore e qualsiasi contenuto anche solo un po' tecnico usciva a pezzi. Quell'epoca è finita nel giro di circa dieci mesi.

Nova-3 di Deepgram elencava 31 lingue in una nota di rilascio del 10 dicembre 2025 e 58 nella documentazione di agosto 2026: 39 aggiunte documentate in meno di nove mesi, all'incirca una lingua nuova ogni sette giorni. Abbiamo ripercorso quell'espansione, e le clausole scritte in piccolo che la reggono, in cosa nasconde davvero la parola «supportata» nella copertura linguistica del riconoscimento vocale. Google ha portato la traduzione vocale dal vivo dentro Meet. DeepL ad aprile ha consegnato una suite vocale con quattro superfici.

Anche le affermazioni sulla qualità sono ormai abbastanza precise da poterle contestare, il che è di per sé un segno di maturità. La valutazione Slator commissionata da DeepL riporta un tasso di errore del 4 % per DeepL Voice contro una media del 17 % per le piattaforme di riunione concorrenti, e punteggi di 96,4/100 su Zoom e 96,3/100 su Teams. I numeri commissionati dal fornitore si trattano come numeri commissionati dal fornitore. Ma la direzione non è in discussione, e la copertura giornalistica seria punta dalla stessa parte: The Next Web, nell'articolo del 17 aprile 2026, descriveva una demo dal vivo a Seul con un ritardo di una o due frasi e riportava che il chief product officer di DeepL ammetteva come le differenze di ordine delle parole tra lingue restino un vincolo fondamentale sulla velocità raggiungibile dalla traduzione voce-a-voce.

Un ritardo di una o due frasi basta. Non basta a sostituire un interprete professionista in una trattativa su un trattato, e nessuno lo sostiene. Basta ampiamente per l'allineamento di prodotto del martedì tra Varsavia, Seul e San Paolo, che poi è la riunione che quasi tutti facciamo davvero.

Il punto è questo: quando una capacità diventa così buona così in fretta, il collo di bottiglia si sposta. Si è spostato. Ora sta uno strato più in basso, in ciò che la riunione lascia dietro di sé.

Per come è progettata, la traduzione non sopravvive alla chiamata

Torniamo a quella frase delle FAQ, perché non è una sciatteria. È una postura di sicurezza, e buona. Il testo di DeepL prosegue: tutti i dati sono cifrati in transito, non vengono mai usati per addestrare modelli e «persistono solo sul dispositivo locale dei partecipanti alla riunione». Quando una banca o un ospedale acquista uno strumento per le riunioni, «non conserviamo nulla» è la risposta che supera più in fretta l'ufficio legale.

La stessa postura è diffusa in tutta la categoria dei sottotitoli dal vivo, perché archiviare l'audio di riunioni multilingui è esattamente il tipo di responsabilità che nessuno vuole ereditare. Il valore predefinito del settore è quindi diventato: comprensione ottima sul momento, nessun artefatto dopo.

Durante la chiamata i due approcci sono indistinguibili. La differenza sta tutta dall'altra parte del riaggancio. La colonna di sinistra segue le FAQ di DeepL Voice for Online Meetings, consultate il 31 agosto 2026.

Il modo di fallimento che ne deriva ha una forma e ha bisogno di un nome. Chiamiamolo deriva decisionale: tutti hanno capito perfettamente la riunione e, tre settimane dopo, nessuno riesce a dimostrare che cosa fosse stato concordato. Non è un fraintendimento: la traduzione dal vivo ha fatto il suo lavoro. È che l'unica copia sopravvissuta di una decisione presa in due lingue vive in cinque memorie, in cinque formulazioni diverse, in almeno due lingue, e la memoria ricostruisce invece di riprodurre.

La deriva decisionale è costosa in un modo che non compare mai sulla fattura dello strumento. Compare come funzionalità rifatta da capo, come scadenza rinegoziata, come domanda di compliance a cui nessuno sa rispondere, come nuova assunzione che non ha alcun modo di imparare cosa ha deciso il team il trimestre scorso.

28 agosto: il benchmark che spiega perché vi serve la lingua di partenza

Se la trascrizione fosse una commodity risolta e uniforme, conservare il verbale sarebbe un problema di spazio disco e questo articolo sarebbe corto. Non lo è, e la prova recente più netta è arrivata tre giorni fa.

Il 28 agosto 2026 Hugging Face e Voice Arena hanno aggiunto la prima lingua del Sud globale alla Open ASR Leaderboard: l'hindi, parlato da più di mezzo miliardo di persone, è entrato in una scheda multilingue che fino a quel momento copriva solo lingue europee. Hanno contribuito quattro set di valutazione — Monsoon en-IN e hi-IN, in versione pubblica e privata — con 4.888 parlanti senza sovrapposizioni, 12 attributi registrati per parlante, raccolti in 428 distretti e su centinaia di modelli di telefono reali anziché in studio.

Poi ci hanno fatto girare sopra i modelli già presenti in classifica. Il risultato è la cosa più utile pubblicata questo mese sul riconoscimento vocale.

Un solo asse, una sola unità: quanti punti di WER separano gli elementi messi a confronto. Fonte: Hugging Face e Voice Arena, 28 agosto 2026.

Otto modelli della classifica si collocano tra 4,81 e 4,99 di WER sul set pubblico di inglese indiano. Sono 0,18 punti dal migliore al peggiore, dentro ciò che cinque ore di audio riescono a malapena a risolvere. Ordinati sul corpus, come dice la pubblicazione, sono lo stesso modello.

Raggruppate i parlanti per regione e smettono di esserlo. Aggregando il distretto d'origine di ciascun parlante al rispettivo consiglio zonale, openai/whisper-large-v3-turbo varia di 0,46 punti tra le cinque zone. mistralai/Voxtral-Mini-3B-2507, appena 0,14 punti dietro sulla media del corpus, varia di 1,68: 4,38 di WER nella zona centrale contro 6,06 a Est. Due sistemi indistinguibili in classifica differiscono di quasi quattro volte in quanto la loro accuratezza dipenda da dove è cresciuto chi parla.

E non è che una regione sia semplicemente più difficile. ibm-granite/granite-speech-3.3-2b è il peggiore al Nord, microsoft/VibeVoice-ASR-HF al Sud, Voxtral a Est. Se una zona fosse intrinsecamente difficile, tutti i modelli ordinerebbero le zone allo stesso modo. Non lo fanno, e questo punta ai modelli, non all'audio.

La lettura operativa per chi conduce riunioni multilingui: la vostra qualità di trascrizione non è un numero da consultare. È una funzione di chi c'è nella stanza. Il collega il cui accento il vostro fornitore ha campionato di meno è il collega le cui frasi usciranno sbagliate, e né la classifica né la pagina del fornitore vi avviseranno. L'unica difesa è una trascrizione che una persona possa leggere e correggere, il che richiede che una trascrizione esista.

L'hindi scrive la stessa espressione in dieci modi validi. Una traduzione ne sceglie uno.

Il secondo risultato della stessa pubblicazione è più sottile e tocca più da vicino la tesi di questo articolo.

La variazione ortografica dell'inglese è delimitata: britannico contro americano, punteggiatura, cifre contro parole. Un normalizzatore riporta quasi tutto a una forma sola. L'hindi non è delimitato allo stesso modo. Il parlato quotidiano è fortemente mescolato all'inglese, le parole di origine inglese non hanno una grafia devanagari consolidata e i composti si scrivono uniti o separati secondo la preferenza di ciascuno. Una singola espressione può avere dieci o più forme scritte valide, e non esiste un lato canonico verso cui ricondurle.

Per questo i set hindi includono un reticolo: per ogni segmento della trascrizione, l'insieme delle grafie accettate come corrette. E il punteggio non usa il WER ordinario ma l'OIWER, il tasso di errore sulle parole informato dall'ortografia, introdotto da AI4Bharat. Quando le stesse ipotesi sono state ripunteggiate contro una versione appiattita a riferimento unico, i tassi di errore sono saliti per tutti i sistemi, sono saliti in modo disomogeneo e alcune coppie di sistemi si sono invertite in classifica. Con un riferimento unico un modello viene premiato in parte per aver riprodotto le scelte grafiche di chi annotava; con il reticolo si valuta solo il riconoscimento.

Fermatevi un attimo su cosa implica. Persino al livello di «che cosa è stato scritto» spesso non esiste un'unica stringa corretta: esiste un insieme di stringhe ammissibili, e sceglierne una butta via informazione.

La traduzione è esattamente quel collasso, un livello più in alto e molto più distruttivo. Ogni riga tradotta decide tra letture che l'originale non era obbligato a decidere.

La riga nella lingua di partenza è l'unica delle tre che non si può rigenerare a partire dalle altre.

Quando «On va essayer de le faire d'ici fin septembre» diventa «Proveremo a farlo entro fine settembre», qualcosa di reale è cambiato: il francese essayer porta con sé un registro attenuativo specifico che «provare» appiattisce. Era un impegno o un'intenzione? La riga tradotta non può dirlo. La riga originale sì. Sei settimane dopo, quando la data slitta e due team ricordano la frase in modo diverso, la riga originale è l'intera argomentazione.

È questa l'asimmetria al centro dell'intero tema. La traduzione va in una sola direzione. Dall'originale potete ritradurre quante volte volete, l'anno prossimo con un modello migliore. Dalla traduzione l'originale non lo recuperate mai.

Cosa resta dopo la chiamata: traduttore in tempo reale contro traduttore per riunioni con note

Ecco il confronto detto in chiaro, sui tre modi in cui oggi i team gestiscono una riunione multilingue.

Il comportamento della colonna effimera segue le FAQ pubblicate di DeepL Voice for Online Meetings, consultate il 31 agosto 2026; le tariffe di interpretariato sono la fascia di mercato ampiamente pubblicata per l'interpretariato di conferenza professionale e variano per combinazione linguistica e mercato. La terza colonna descrive la categoria «traduttore per riunioni con note» in generale, non un singolo fornitore.

La forma della tabella è la tesi. La colonna uno e la colonna tre sono identiche nell'unica riga che un acquirente di solito valuta — la comprensione dal vivo — e divergono in ogni riga che conta dopo la riunione. I confronti tra fornitori si giocano quasi sempre sulla prima riga.

Un traduttore dal vivo è una finestra. Un traduttore per riunioni con note è una finestra e un registro contabile. I team comprano finestre perché è la parte che vivono, e poi mandano avanti il trimestre con un registro che non hanno mai comprato.

Come condurre una riunione multilingue perché il verbale resti utilizzabile

Sei passi, nell'ordine in cui si presentano. Nessuno è esotico; il fallimento sta quasi sempre nel fatto che nessuno ha deciso.

1. Impostate esplicitamente la lingua di partenza. Non affidatevi al rilevamento automatico. Il rilevamento deve impegnarsi nei primi secondi, sull'audio meno contestualizzato dell'intera sessione, e un errore degrada tutte le fasi successive in un colpo solo. La scelta esplicita permette inoltre al motore di indirizzarvi a un modello monolingue dedicato, di norma più forte di uno multilingue: Nova-3, per esempio, documenta 58 lingue una alla volta ma il code-switching in esattamente 10.
2. Separate le lingue che le persone parleranno da quelle che leggeranno. Sono due elenchi diversi, e trattarli come uno solo è l'errore di configurazione più comune della categoria. Il centro assistenza di DeepL fa esattamente questa distinzione: le «lingue parlate» sono quelle che il riconoscitore accetta, le «lingue di traduzione» quelle in cui i sottotitoli possono essere mostrati, e il secondo elenco è molto più lungo.
3. Decidete prima della chiamata dove vivrà il verbale, e verificate che non sia la piattaforma di riunione. Se il vostro fornitore di traduzione cancella i dati al riaggancio — che è il comportamento predefinito, e difendibile — allora nessuna impostazione dentro quello strumento produrrà un verbale. La cattura deve essere una scelta deliberata e separata.
4. Tenete attiva l'attribuzione di chi parla. Una riga tradotta senza attribuzione è inutilizzabile per qualsiasi decisione che dovesse in seguito sostenere. «Lo facciamo entro settembre» diventa un fatto solo quando si sa chi l'ha detto.
5. Correggete nomi propri e termini di dominio nei primi cinque minuti, dal vivo. Nomi propri, nomi in codice dei prodotti e acronimi sono il punto in cui la trascrizione fallisce in modo affidabile, ed è anche il punto in cui una riga sbagliata danneggia di più il riepilogo generato dopo. Correggere mentre la riunione è in corso costa secondi; correggere in un documento che nessuno rilegge non costa nulla, perché nessuno lo rilegge.
6. Generate il riepilogo dalla trascrizione nella lingua di partenza quando potete, non dalla traduzione. Riassumere una traduzione impila due passaggi con perdita. Questa è una nostra raccomandazione più che un risultato misurato, ma il meccanismo è lineare: ogni fase scarta informazione, impilarle ne scarta di più.

Poi tenete i tre artefatti in un unico record. Una trascrizione in uno strumento, una traduzione in una chat e un riepilogo in un documento sono tre file che entro un mese si contraddiranno — e quella contraddizione è esattamente ciò che volevate evitare.

In sostanza: la comprensione era il problema di banda, il verbale è il problema di memoria

La traduzione delle riunioni in tempo reale risolve un problema di banda: portare il significato dall'altra parte del tavolo abbastanza in fretta perché la conversazione resti una conversazione. Nel 2026, con oltre 40 lingue a un ritardo di una o due frasi e il 96 % di preferenza in un test alla cieca, quel problema è sostanzialmente risolto e diventa più economico ogni trimestre.

La trascrizione multilingue risolve un problema di memoria, e nulla della soluzione di banda lo tocca. Artefatto diverso, politica di conservazione diversa, modo di fallimento diverso. Una squadra che compra solo il primo e dà per scontato di aver preso anche il secondo continuerà a fare riunioni eccellenti di cui non può rendere conto.

Quindi la domanda da portare al prossimo incontro con un fornitore non è «quante lingue traduce». Oggi qualunque fornitore serio risponde con un numero superiore a 40. La domanda è: quando la chiamata finisce, che cosa esiste ancora — e nella lingua di chi?

---

Dove si colloca Telli.sh: tutto quanto sopra riguarda lo strato sotto la traduzione dal vivo, ed è esattamente lo strato che costruiamo noi. Telli.sh offre trascrizione dal vivo con traduzione in 44 lingue di destinazione, con l'interfaccia stessa disponibile in 15, così che chi partecipa da Varsavia legga in polacco uno stand-up in coreano mentre si svolge. Ciò che conta il mattino dopo è che i tre artefatti restino in un'unica nota: il testo nella lingua di partenza di ciò che è stato effettivamente detto, la traduzione allineata a esso e il riepilogo generato sopra. Consultabile, correggibile e ricercabile molto dopo la fine della chiamata.

Avvia una nota di riunione tradotta dal vivo

Fonti

• Hugging Face e Voice Arena, "The Open ASR Leaderboard Adds Its First Global South Language", 28 agosto 2026 — set Monsoon en-IN e hi-IN, 4.888 parlanti, varianza del WER per zona, OIWER e il reticolo dell'hindi.
• DeepL, "DeepL unveils real-time spoken translation, breaking the next language barrier with Voice-to-Voice", PR Newswire, Colonia, 16 aprile 2026 — oltre 40 lingue, le quattro superfici di prodotto e la valutazione alla cieca Slator commissionata da DeepL.
• The Next Web, "DeepL launches real-time voice-to-voice translation in 40+ languages", 17 aprile 2026 — latenza della demo di Seul e il vincolo sull'ordine delle parole.
• DeepL, pagina prodotto e FAQ di DeepL Voice for Online Meetings, consultate il 31 agosto 2026 — formulazione sulla conservazione dei dati, punteggi Slator e la nota che il voce-a-voce per le riunioni online è ancora in fase di rilascio.
• Centro assistenza DeepL, DeepL Voice languages, consultato il 31 agosto 2026 — la distinzione tra lingue parlate e lingue di traduzione.
• AI4Bharat, Orthographically-Informed Word Error Rate — la metrica usata per i set hindi.
• La copertura linguistica di Nova-3 di Deepgram, come raccolta nella nostra analisi sull'espansione linguistica nel riconoscimento vocale, 31 agosto 2026.