Tasso di errore sulle parole al 2,4%, e ancora nessuna idea di chi abbia parlato

All'inizio di giugno il team AI Superintelligence di Microsoft ha rilasciato MAI-Transcribe-1.5, che ha registrato un tasso di errore sulle parole del 2,4% nella classifica indipendente di Artificial Analysis. Un singolo modello copre 43 lingue, regge accenti e stanze rumorose, e macina un'ora di audio in meno di quindici secondi.

Poi si apre la documentazione Azure di Microsoft per lo stesso modello. Tra le note d'uso, una riga: «La diarizzazione non è supportata».

La diarizzazione è la parte che dice chi stava parlando. Quindi il modello vocale più discusso dell'anno produce un muro di parole quasi impeccabile senza avere idea da quale bocca siano uscite. Non è una svista nelle note di rilascio. È una fotografia precisa di dove si trova davvero questo settore. L'ascolto è quasi risolto. E l'ascolto non è mai stato la parte difficile di un verbale di riunione.

Questo articolo parla della distanza tra una trascrizione accurata e un verbale che manderesti davvero al tuo team: cosa misura il tasso di errore sulle parole, cosa non può misurare per costruzione, e quali livelli si appoggiano sopra il riconoscimento vocale decidendo in silenzio se una registrazione diventa utile. Se ti è mai capitato di ricevere una trascrizione tecnicamente perfetta e praticamente inservibile, qui trovi la spiegazione di quella sensazione.

TL;DR:

• Il tasso di errore si è compattato vicino al minimo: i primi nove modelli della classifica indipendente di Artificial Analysis stanno tra l'1,73% e il 3,31%, quindi passare a un motore «più preciso» ti fa guadagnare qualche decina di parole su una riunione di un'ora.
• Il WER pesa tutte le parole allo stesso modo. Perdere il «non» di una decisione costa lo stesso 0,016% di un «ehm» mangiato: la metrica non distingue un refuso da un impegno ribaltato.
• Il lavoro che resta sta sopra la trascrizione: attribuzione dei parlanti, segmentazione, ripulitura, sintesi. La scheda modello di Microsoft ne è la prova: precisione ai vertici, niente diarizzazione, niente streaming.

Immagine: Steve Knight, Rockfield Studios, Wikimedia Commons, CC BY 2.0.

Cosa significa davvero il 2,4% quando sei tu a leggere

Il tasso di errore sulle parole è il numero più antico e più grezzo del riconoscimento vocale, e proprio perché viene citato ovunque vale la pena capirlo bene. Si prende ciò che è stato detto davvero: la trascrizione di riferimento, prodotta da persone. Si prende ciò che ha scritto il modello. Poi si contano le parole sbagliate in tre categorie: sostituzioni (scrive «ritardo» dove qualcuno ha detto «rilascio»), cancellazioni (una parola sparisce del tutto) e inserzioni (ne inventa una mai pronunciata). Si somma, si divide per il numero di parole del riferimento, e questo è il WER. Più basso è, meglio è.

Quindi 2,4% significa all'incirca una parola sbagliata ogni quarantadue.

Portiamolo su una riunione vera. Un'ora in cui si parla effettivamente per quarantacinque minuti, a un ritmo colloquiale normale di circa 140 parole al minuto, fa più o meno 6.300 parole. Con un WER del 2,4%, circa 150 sono sbagliate. Distribuite lungo la trascrizione, sono qualche errore su ogni schermata.

Ed ecco la domanda a cui la metrica si rifiuta di rispondere: quali 150?

Il WER assegna lo stesso peso a ogni parola della lingua. L'articolo «il» e la negazione «non» valgono esattamente uguale. Immagina una trascrizione che rende «non rilasciamo nel terzo trimestre» come «rilasciamo nel terzo trimestre». È una cancellazione. Una parola su 6.300, lo 0,016% della trascrizione, un errore di arrotondamento rispetto a un budget del 2,4%. E il verbale ora registra l'esatto contrario di quello che la stanza ha deciso.

La stessa asimmetria attraversa nomi propri, codici prodotto e acronimi interni: proprio le parole che portano più significato per carattere e compaiono meno nei dati di addestramento. Una trascrizione può azzeccare 6.150 parole di tessuto connettivo e massacrare ogni nome proprio presente in sala, e il suo WER continuerà a sembrare ottimo. Chi ha riletto la trascrizione del proprio stand-up conosce questa sensazione: le parole ci sono, e la riunione no.

La classifica si è compattata vicino al minimo

È il passaggio che riformula l'intera categoria. Abbiamo consultato la classifica speech-to-text di Artificial Analysis il 4 agosto 2026: un benchmark indipendente, non la scheda di un fornitore. Il suo indice AA-WER v2 è una media pesata sulla durata dell'audio su circa otto ore prese da tre dataset: AA-AgentTalk (50%), VoxPopuli-Cleaned-AA (25%) ed Earnings22-Cleaned-AA (25%). La testa della classifica è questa:

Fonte: classifica speech-to-text di Artificial Analysis, consultata il 4 agosto 2026 (AA-WER v2, non-streaming).

Saltano all'occhio due cose. Primo: il 2,4% di Microsoft è reale e misurato in modo indipendente — ed è un terzo posto, non il primo. L'affermazione più forte, cioè la migliore precisione della categoria su FLEURS per tutte e 43 le lingue, arriva da Microsoft stessa: va letta come dato del fornitore finché non la misura qualcuno dall'esterno.

Secondo, e conta molto di più: nove modelli stipati in una fascia di 1,6 punti. Riportiamolo sulla nostra riunione da 6.300 parole. Il modello in testa sbaglia circa 109 parole. Il nono, circa 209. Whisper Large v3 — la base aperta che moltissimi prodotti fanno ancora girare — circa 256.

Pensa a cosa comporta per una decisione d'acquisto. Passare da un motore di fascia media al capolista ti fa risparmiare un centinaio di parole all'ora. Non è nulla di trascurabile, e nella trascrizione medica o legale conta sul serio. Ma è lontanissimo dalla differenza tra un verbale di cui ti fidi e un verbale che riscrivi da capo. Ogni motore serio supera ormai il 96% di precisione. La variabile che decide se il tuo verbale è utile sta da tutt'altra parte.

Le note di rilascio di Microsoft sono il documento più onesto della categoria

Il che ci riporta alla riga di partenza. La documentazione Azure Speech elenca con sobrietà i limiti di MAI-Transcribe: diarizzazione non supportata, prompt-tuning non supportato, e modello in anteprima pubblica tramite la LLM Speech API. La copertura del lancio aggiunge che manca anche un'API di streaming nativa, il che limita l'uso in tempo reale.

Soffermati sulla forma di tutto questo. L'azienda ha riversato una quantità enorme di ingegneria sul problema dell'ascolto — 43 lingue contro le 25 della generazione precedente, con 18 aggiunte senza perdita di precisione — e poi lo ha rilasciato senza etichette dei parlanti e senza streaming. Cioè esattamente le due cose che servono a una riunione dal vivo.

La nostra lettura: non è una lacuna del prodotto Microsoft, è una dichiarazione sulla stratificazione dell'intero settore. Il riconoscimento oggi è un componente, non un prodotto. È diventato ciò che si acquista, si misura e si sostituisce, e il lavoro interessante si è spostato su tutto ciò che gli sta intorno.

Il soffitto dello stenografo

Ecco il termine che usiamo internamente: il soffitto dello stenografo. È il punto oltre il quale sentire meglio smette di aiutare, perché il lavoro rimasto non è sentire.

Uno stenografo perfetto ti dà un resoconto perfetto delle parole. Non ti dirà che i due «sì, va bene» venivano da persone diverse e significavano cose diverse. Non segnerà dove è finito un argomento. Non ti avvertirà che i venti minuti sul trasloco degli uffici nel verbale non ci devono stare. Sopra la trascrizione vivono quattro livelli distinti, e ciascuno cede a modo suo.

Attribuzione dei parlanti, cioè diarizzazione. È il meccanismo che divide un unico flusso audio in «parlante 1, parlante 2, parlante 3» e tiene quelle etichette stabili per un'ora. È un problema davvero distinto dal riconoscimento, con modalità di guasto proprie: due persone che si sovrappongono, qualcuno che si aggiunge a metà, lo stesso partecipante che suona diverso in vivavoce e in cuffia. E quando fallisce, fallisce in modo distruttivo. Una trascrizione che attribuisce un impegno alla persona sbagliata è peggiore di una che non lo attribuisce a nessuno, perché chi legge ci crederà. Ed è precisamente la capacità che il modello con il punteggio più alto non fornisce.

Segmentazione. L'output grezzo del riconoscimento è un fiume. Il parlato reale non arriva in frasi: arriva in ripartenze, subordinate lasciate a metà e interruzioni. Il sistema deve decidere dove finiscono le frasi, dove finisce il turno di una persona e dove la conversazione ha cambiato argomento. Sbaglialo e ottieni un paragrafo tecnicamente esatto che nessuno leggerà, perché l'occhio non trova un appiglio. Azzeccalo e le stesse parole diventano scorribili. Di questo miglioramento non compare un solo carattere nel WER.

Ripulitura. Tra la trascrizione grezza e il verbale c'è un passaggio di pulizia: togliere intercalari e false partenze, normalizzare numeri e date, correggere la terminologia che il modello acustico non poteva conoscere. «Terzo trimestre» diventa «Q3». Un nome in codice interno uscito come tre parole comuni plausibili torna al suo posto. È il livello in cui entra la conoscenza di dominio, ed è ciò che separa un documento che si legge come un verbale giudiziario da uno che si legge come appunti.

Sintesi. Infine il giudizio: quali parti dell'ora erano decisioni, quali questioni aperte, quali l'assegnazione di un compito a una persona con nome e cognome, e quali i venti minuti sul parcheggio. È l'unico livello che la maggior parte dei lettori consuma davvero, ed è interamente a valle dei tre precedenti. Un sistema di sintesi che lavora su una trascrizione senza attribuzione e senza segmentazione sta tirando a indovinare chi si è impegnato a fare cosa. Dagli turni di parola puliti e smette di indovinare.

La dipendenza scorre in una sola direzione, ed è per questo che il dibattito sulla precisione inganna così tanto. Portare il WER dal 2,4% all'1,7% migliora l'ingresso di una catena di quattro passaggi che non è mai stata misurata.

Il biasing per parole chiave è il settore che ammette la cosa sottovoce

Nel rilascio di MAI-Transcribe-1.5 c'è una funzione che scopre tutte le carte, ed è anche la cosa più utile del lancio.

Il modello supporta il biasing per parole chiave, detto anche entity biasing: gli passi un elenco di massimo 200 termini di dominio — nomi dei partecipanti, nomi di prodotto, acronimi interni — e il modello inclina le sue previsioni verso quell'elenco, usando il contesto circostante per decidere quando applicare il biasing invece di forzare le corrispondenze alla cieca. Microsoft riporta fino al 30% di riduzione del WER su FLEURS quando è attivo. L'esempio pubblicato è molto concreto: senza elenco di parole chiave, tre nomi escono come «Sean», «Oif» e «Societal». Con l'elenco, il modello recupera «Shaun», «Aoife» e «Xochitl».

Guarda bene cos'è successo. L'audio non è cambiato. L'acustica non è migliorata. Il modello prima non sentiva peggio: sentiva benissimo e indovinava male, perché non sapeva chi ci fosse in sala. Passagli l'elenco dei partecipanti e quasi un terzo degli errori evapora.

È l'intera tesi di questo articolo, consegnata come funzione di prodotto dal fornitore che ha il modello col punteggio più alto. Il miglioramento di precisione più efficace del rilascio di punta dell'anno funziona iniettando informazione che nell'audio non c'è mai stata. Il che significa che la frontiera rimasta nella trascrizione non è acustica, è contestuale. E il contesto è esattamente la materia di cui sono fatti i livelli sopra la trascrizione.

Nel frattempo, tutti corrono a catturare più audio

Il mercato hardware ha tratto la conclusione opposta, e vale la pena notarlo. Gli occhiali GO3 di INMO, a 599 dollari, promettono traduzione in tempo reale in oltre 98 lingue proiettata sulla lente, più registrazione, trascrizione e sintesi automatiche di ogni conversazione e riunione, con ChatGPT e Gemini alle spalle. Sono dichiarazioni del produttore sulla propria pagina prodotto, e l'ambizione è chiara: catturare tutto, ovunque, a mani libere.

Solo che catturare non è mai stato il collo di bottiglia. Un telefono sul tavolo registra riunioni abbastanza bene da dieci anni. Rendere la cattura più pervasiva aumenta soltanto il volume di audio che confluisce nella stessa pipeline irrisolta. Semmai, il problema si acuisce: un dispositivo che registra tutte le conversazioni della giornata produce molto più materiale a cui qualcuno deve applicare la decisione su cosa conta.

Cosa testare invece di leggere il numero del WER

Se stai valutando uno strumento di trascrizione o di verbalizzazione, la cifra di precisione pubblicata non separerà i candidati, perché stanno tutti entro un paio di punti. Tre test invece sì.

Registra una riunione vera con almeno tre persone e un tratto di autentica sovrapposizione di voci, poi verifica se le etichette dei parlanti restano coerenti dal minuto cinque al minuto cinquanta: è lì che la diarizzazione si degrada in silenzio. Poi prendi una decisione formulata al negativo («questo trimestre la migrazione non la facciamo») e cercala nella sintesi; un sistema che ribalta o perde le negazioni si tradisce proprio qui. Infine confronta la sintesi con il tuo ricordo della riunione e conta due cose separatamente: cosa ha incluso che non contava, e cosa ha mancato che contava. Il secondo numero non lo pubblica nessuno, ed è quello che determina se fra tre mesi userai ancora lo strumento.

In conclusione

Il tasso di errore sulle parole rispondeva alla domanda «la macchina ha sentito le parole?» — e il settore ormai ha risposto. Quello a cui nessuna classifica ha mai risposto è: «questo mi dice cosa ha deciso la riunione?».

Sono due domande diverse, e solo una è mai stata il punto. Una trascrizione è una registrazione di suono. Un verbale è una registrazione di una decisione. La distanza fra le due non si misura in punti percentuali, e non si colma né con un microfono migliore né con un WER più basso. Si colma con tutto ciò che ci costruisci sopra: sapere chi ha parlato, dove il pensiero è finito, quali parole erano rumore, e quali tre frasi di un'ora erano il motivo per cui la riunione si è tenuta.

La trascrizione non è mai stata il deliverable. Era la materia prima.

È esattamente così che costruiamo Telli.sh: il riconoscimento vocale è un componente, e il lavoro che consideriamo prodotto sta sopra — separazione dei parlanti, segmentazione, ripulitura e sintesi che distinguono le decisioni dalle chiacchiere, in 15 lingue. Se vuoi vedere la differenza tra una trascrizione e un verbale su una tua riunione, registrane una e leggi il risultato qualche minuto dopo.

Avvia una nota AI dal vivo

Fonti

• MAI-Transcribe in Azure Speech (preview) — Microsoft Learn — l'elenco delle limitazioni, inclusa «la diarizzazione non è supportata»
• Microsoft AI Introduces MAI-Transcribe-1.5 — MarkTechPost, 8 giugno 2026
• Introducing MAI-Transcribe-1.5 — Microsoft AI
• Classifica speech-to-text di Artificial Analysis — valori AA-WER v2 rilevati il 4 agosto 2026
• Pagina prodotto INMO GO3 — dichiarazioni del produttore su traduzione e trascrizione
• Pagina dell'immagine su Wikimedia Commons