(Lezione 03.04 · 16 minuti · Microfono · Per tutti)

Dalla voce al testo, e ritorno.

Dettare un messaggio e farsi leggere una pagina sono due modelli che fanno la stessa strada in versi opposti. Qui segui Whisper dallo spettrogramma alle parole, impari a contare i suoi errori e provi cosa gira nel tuo telefono senza rete.

Cosa impari

Come un modello trasforma la voce in testo, una parola alla volta
Come si misura quanto sbaglia una trascrizione
Come funziona la strada inversa, dal testo alla voce
Cosa sta nel telefono e cosa resta nel cloud

Ti serve sapere

Se non ti ricordi una di queste cose, il link ti porta al capitolo che la spiega.

Come vuoi seguirla

Preparo la scena…

01 La trascrizione
Dalla voce al testo, parola per parola.

Detti un messaggio e il telefono lo scrive. Questo compito si chiama trascrizione, o riconoscimento del parlato. È molto più difficile della parola chiave^03.03. Le parole possibili sono decine di migliaia, le frasi infinite, e ognuno parla con la sua voce e il suo accento.

In pratica. Per un'app con pochi comandi fissi la trascrizione completa non serve. Un modello che riconosce quei pochi comandi è più piccolo, più veloce e sbaglia meno.
02 Whisper
Un modello che ha ascoltato 680.000 ore.

Whisper, pubblicato da OpenAI nel 2022, ha imparato da 680.000 ore di audio raccolto sul web, in decine di lingue. Esiste in più taglie. La più piccola, tiny, ha 39 milioni di pesi e gira anche su un telefono. La più grande ne ha un miliardo e mezzo e chiede un computer potente.

In pratica. Whisper tiny sbaglia molto più di quello grande, soprattutto in italiano. Provalo sulle tue frasi prima di scegliere la taglia, e conta quante parole sbaglia.
03 Ascolta e scrive
Una metà ascolta, l'altra scrive un pezzo alla volta.

Dentro Whisper ci sono due metà. La prima legge lo spettrogramma^03.01 mel di 30 secondi di suono e lo riassume in una lunga lista di numeri. La seconda scrive il testo un pezzo alla volta. A ogni passo guarda il suono e quello che ha già scritto, e sceglie il pezzo successivo più probabile.

In pratica. Per questo nelle app la trascrizione arriva a pezzi e a volte si corregge da sola. Il modello rivede l'inizio della frase quando ha sentito come finisce.
04 Gli errori
Si misura contando le parole sbagliate.

Per dare un voto a una trascrizione si confronta il testo del modello con quello giusto. Si contano le parole cambiate, quelle mancanti e quelle in più, e si divide per il numero di parole giuste. È il tasso di errore sulle parole, in inglese WER. Un WER del 10 per cento vuol dire una parola sbagliata ogni dieci.

In pratica. Misura il WER con le frasi che userai davvero, dette dalle persone che le diranno. Un modello bravo con i notiziari può sbagliare tanto in un'officina.
05 In diretta
Sottotitoli mentre parli, anche senza rete.

Molti telefoni scrivono quello che senti anche senza rete. Dal 2019 Android mette i sottotitoli a ogni video con Live Caption. L'iPhone ha una cosa simile tra le opzioni per chi sente poco. Usano modelli che ascoltano a pezzi di pochi decimi di secondo, non a blocchi di 30 secondi come Whisper.

In pratica. Prova la dettatura in modalità aereo. Se funziona, il modello è nel telefono. Se si ferma, stava usando il cloud^01.01.
06 La sintesi
Il ritorno, dal testo alla voce.

La strada inversa si chiama sintesi vocale. Il modello riceve un testo e lo trasforma nei suoni della lingua. Da lì produce uno spettrogramma, e infine un'onda da far suonare. Kokoro, un modello aperto del 2025 con 82 milioni di pesi, parla in modo naturale. Anche la voce inglese delle lezioni di questo corso è fatta così.

In pratica. La voce sintetica sbaglia soprattutto sigle e nomi stranieri. Si corregge scrivendo come vanno pronunciati, come si farebbe con un attore che legge un copione.
07 Dove gira
Cosa sta nel telefono e cosa no.

Trascrivere e parlare sono lavori più pesanti che riconoscere un suono. Whisper tiny su un telefono recente trascrive più in fretta di quanto si parli, ma con più errori. I modelli grandi restano spesso nel cloud. Molte app dividono il lavoro. La parola chiave e i comandi semplici in tasca, il resto in rete quando c'è.

In pratica. Se l'app deve funzionare in campagna o in un capannone, prova la trascrizione in modalità aereo fin dal primo giorno. Scoprirlo alla fine costa caro.

01 / 07

(Approfondisci)

Qualche numero in più.

(01)

Le taglie di Whisper

Whisper esce in cinque taglie. Tutte usano lo stesso spettrogramma mel e lo stesso modo di scrivere, cambia solo quanti strati e quanti pesi hanno. La taglia piccola sbaglia di più ma è molto più veloce, quella grande fa il contrario.

Per il telefono contano le prime due, e con un po' di pazienza la terza. Le versioni quantizzate, con i pesi scritti in meno bit, occupano meno spazio e girano più in fretta, al prezzo di qualche errore in più.

Taglia	Pesi	Sul telefono
tiny	39 milioni	Sì, anche in tempo reale
base	74 milioni	Sì
small	244 milioni	Con fatica, su telefoni recenti
medium	769 milioni	No, serve un computer
large	1,55 miliardi	No, serve un computer potente

(02)

Come si conta il WER

Il testo giusto è accendi la luce in cucina, cinque parole. Il modello scrive accendi luce in cucine. Manca la parola la, e cucina è diventata cucine. Sono due errori su cinque parole, quindi il WER è del 40 per cento.

Il conto si fa con un allineamento automatico che cerca il modo di passare da un testo all'altro con meno modifiche possibili. Attento ai dettagli di formato. Se il modello scrive 100 e il testo giusto dice cento, per il WER è un errore anche se la trascrizione è corretta. Prima di contare si portano i due testi alla stessa forma.

WER = (parole cambiate + parole mancanti + parole in più) / parole del testo giusto

(03)

La voce di questo corso

Le lezioni delle Basi si possono ascoltare in inglese, con una voce fatta da Kokoro sul computer di chi scrive il corso. Per le sigle c'è un piccolo lessico, che dice per esempio di leggere SoC lettera per lettera.

Poi Whisper riascolta ogni lezione e il testo che sente viene confrontato con il copione, parola per parola. Nelle cinque lezioni le parole diverse sono meno dell'uno per cento, e quasi tutte sono numeri scritti in cifre invece che in lettere. Una sola era sbagliata davvero, epoch, che suonava come epic, ed è stata corretta nel lessico.

(Prova sul telefono)

La voce in modalità aereo

Metti il telefono in modalità aereo e prova queste funzioni. Quelle che rispondono lo stesso trascrivono o parlano dentro il telefono, le altre hanno bisogno della rete.

(01) Detta un messaggio con il microfono della tastiera
(02) Attiva i sottotitoli automatici e fai partire un video salvato nel telefono
(03) Registra un memo vocale e chiedi la trascrizione
(04) Fatti leggere ad alta voce una pagina con la funzione di lettura del telefono
(05) Chiedi all'assistente vocale che ore sono

In italiano alcune funzioni offline arrivano dopo quelle in inglese. Se una non funziona, controlla nelle impostazioni della tastiera o dell'accessibilità se c'è una lingua da scaricare.

(Verifica)

4 domande per chiudere la lezione.

Quando rispondi a tutte, la lezione risulta fatta e sulla mappa la sua pietra diventa gialla. Conta rispondere, non il punteggio.

(01)

Perché trascrivere è molto più difficile che riconoscere una parola chiave?
(02)

Il testo giusto è accendi la luce in cucina. Il modello scrive accendi luce in cucine. Quanto vale il WER?
(03)

La dettatura funziona anche in modalità aereo. Cosa vuol dire?
(04)

Cosa sbaglia più spesso una voce sintetica?

Parole nuove, e dove sono spiegate

Trascrizionecapitolo 1
WERcapitolo 4
Sintesi vocalecapitolo 6

Fonti e letture

Per chiudere la lezione rispondi alla verifica

← La parola che accende il telefono Il ripasso del corso Torna alla mappa

(Prossima lezione · 04.01) Il telefono sente il movimento