A cura della redazione di whispertranscribe.ai · Ultimo aggiornamento a novembre 2026 · Lettura di 13 min · Categoria Precisione della trascrizione
Quanto è preciso Whisper? Sul parlato inglese letto e senza rumore, lo studio di OpenAI riporta un tasso di errore sulle parole (WER) del 2,5% per Whisper large-v2. Sono circa 97–98 parole corrette su 100. Su audio più difficili il tasso sale al 13,6% per le telefonate, al 24,9% per una cena rumorosa e al 39,9% per una riunione registrata con un solo microfono distante.
Whisper è il modello open source di OpenAI per il riconoscimento del parlato. Molte app lo usano, compresa la nostra. Qui vediamo cosa misura il WER, i risultati dei test per tipo di audio e lingua, gli errori ricorrenti e come misurare la precisione sui tuoi file. Per capire il modello, leggi la guida su cos'è Whisper AI.
Gran parte dei dati proviene dallo studio su Whisper (Radford e altri, 2022). Gli autori hanno valutato ogni modello in modalità «zero-shot», senza riaddestrarlo sui set di prova. La scheda di large-v3 riporta dal 10% al 20% di errori in meno rispetto a large-v2 in molte lingue, ma non include una tabella per tutti i set di dati. L'articolo è pubblicato da whispertranscribe.ai. Per questa guida non abbiamo svolto prove comparative e i dati non derivano da nostri test.
Una panoramica sulla precisione di Whisper
Il tipo di audio influisce sul risultato più di qualsiasi altro fattore, quindi servono più set di prova. La tabella mostra i risultati di OpenAI per large-v2 con ricerca a fascio e aumento della temperatura in caso di difficoltà (tabella 9 dell'appendice), dopo la normalizzazione del testo di OpenAI.
| Tipo di audio | Set di prova dello studio | WER di Whisper large-v2 | Quota approssimativa di parole corrette |
|---|---|---|---|
| Audiolibro, lettura chiara | LibriSpeech test-clean | 2,5% | Circa 97,5 su 100 |
| Notizie lette ad alta voce | WSJ | 2,6% | Circa 97,4 su 100 |
| Conferenze TED | TED-LIUM 3 | 3,7% | Circa 96 su 100 |
| Audiolibro, parlato più difficile | LibriSpeech test-other | 4,9% | Circa 95 su 100 |
| Volontari con microfoni domestici | Common Voice 5.1 | 8,2% | Circa 92 su 100 |
| Conversazioni telefoniche | Switchboard | 13,6% | Circa 86 su 100 |
| Lunghe interviste sociolinguistiche | CORAAL | 14,2% | Circa 86 su 100 |
| Telefonate tra parenti e amici | CallHome | 16,4% | Circa 84 su 100 |
| Riunioni, ogni persona con un microfono da cuffia | AMI IHM | 17,4% | Circa 83 su 100 |
| Cene, microfoni distanti | CHiME-6 | 24,9% | Circa 75 su 100 |
| Riunioni, un solo microfono distante sul tavolo | AMI SDM1 | 39,9% | Circa 60 su 100 |
La «quota di parole corrette» si stima sottraendo il WER da 100. È un'approssimazione perché il WER conta anche le parole aggiunte.
Il valore del 2,7% citato spesso riguarda lo stesso modello con una decodifica greedy più semplice (tabella 2 dello studio). Le righe AMI descrivono le stesse riunioni registrate in due modi. Passando da un microfono vicino a ogni persona a un unico microfono al centro del tavolo, il tasso di errore più che raddoppia.
Che cos'è il tasso di errore sulle parole (WER) e come si calcola?
Il tasso di errore misura le parole sbagliate rispetto a una trascrizione di riferimento verificata da una persona. Conta tre tipi di errore e dividi per il numero di parole del testo di riferimento.
WER = (sostituzioni + omissioni + aggiunte) ÷ parole nel testo di riferimento
- Sostituzione. Una parola errata prende il posto di quella corretta, per esempio «lunch» invece di «launch».
- Omissione. Una parola pronunciata manca dalla trascrizione.
- Aggiunta. La trascrizione contiene una parola che nessuno ha detto.
Ecco un esempio che abbiamo preparato e misurato con la libreria open source jiwer.
| Riga | Testo |
|---|---|
| Riferimento (22 parole) | we moved the product launch to march ninth because the vendor missed two deadlines and doctor patel wants a new test plan |
| Trascrizione | we moved the product lunch to march ninth because vendor missed two deadlines and doctor battle wants a new test plan today |
| Errori | 2 sostituzioni (lunch, battle), 1 omissione (the) e 1 aggiunta (today) |
| WER | 4 ÷ 22 = 18,2% |
Tre aspetti del WER possono sorprendere.
- Può superare il 100%. Le aggiunte non hanno un limite. Nei risultati dello studio su Fleurs, alcune lingue con pochi dati superano il 100%.
- La normalizzazione cambia il risultato. «Dr.» e «doctor» contano come un errore, a meno che i due testi non vengano normalizzati allo stesso modo. Secondo OpenAI, il suo normalizzatore ha ridotto il WER fino al 50% su alcuni set, soprattutto rimuovendo differenze di formattazione.
- Per alcune lingue si usa il tasso di errore sui caratteri (CER). Per cinese, giapponese, thailandese, lao e birmano, che non separano le parole con spazi, lo studio misura i caratteri.
Per valutare un valore di precisione servono un set di prova e un metodo di valutazione dichiarati. Vale anche per i nostri dati.
Quanto è preciso Whisper in inglese?
Whisper è molto preciso sull'inglese chiaro e resta utile con audio meno pulito. Nello studio ha commesso il 55,2% di errori in meno su altri 12 set in inglese rispetto a un modello supervisionato wav2vec 2.0 con un risultato quasi identico su LibriSpeech.
Registrazioni lunghe
Whisper legge l'audio in finestre da 30 secondi, quindi lo studio ha valutato separatamente i file lunghi (tabella 16 dell'appendice, large-v2).
| Set di prova con audio lunghi | Contenuto | WER |
|---|---|---|
| TED-LIUM 3 | 11 interventi TED completi | 3,5% |
| Meanwhile | 64 estratti di programmi TV di seconda serata, con parole insolite | 5,1% |
| Kincaid46 | 46 registrazioni diverse da un confronto del 2018 | 8,8% |
| Earnings-21 | Conference call sui risultati aziendali | 9,7% |
| Rev16 | 16 episodi di podcast | 11,3% |
| Earnings-22 | Altre chiamate sui risultati aziendali, con molti accenti | 12,6% |
| CORAAL | 231 interviste complete in inglese afroamericano | 19,6% |
Whisper e i trascrittori umani
OpenAI ha fatto trascrivere 25 registrazioni di Kincaid46 a quattro servizi umani e a un servizio assistito da computer. Quest'ultimo ha ottenuto un risultato migliore di 1,15 punti percentuali rispetto a Whisper. I servizi interamente umani lo hanno superato solo di una frazione di punto. Lo studio conclude che Whisper arriva vicino alla precisione umana senza eguagliarla.
Le dimensioni del modello contano
Whisper esiste in più dimensioni e le app non indicano sempre quale usano (tabella 9 dell'appendice).
| Modello | Parametri | LibriSpeech clean | Common Voice 5.1 | Switchboard | CHiME-6 |
|---|---|---|---|---|---|
| tiny | 39M | 6,7% | 26,1% | 18,3% | 48,0% |
| base | 74M | 4,9% | 19,4% | 15,6% | 40,0% |
| small | 244M | 3,3% | 12,8% | 13,3% | 30,9% |
| medium | 769M | 2,7% | 9,7% | 13,2% | 27,6% |
| large-v2 | 1550M | 2,5% | 8,2% | 13,6% | 24,9% |
Il divario cresce quando l'audio è più difficile. È di circa 4 punti per gli audiolibri puliti e 23 punti per la cena rumorosa. Il modello più recente turbo, una versione ottimizzata di large-v3, ha una perdita di precisione definita minima da OpenAI in cambio di molta più velocità. README di OpenAI su GitHub
Quanto è preciso Whisper in altre lingue?
Fuori dall'inglese, la precisione dipende soprattutto dalla quantità di audio di addestramento per lingua. Lo studio ha rilevato una correlazione al quadrato di 0,83 tra il logaritmo delle ore di addestramento e quello del WER. Stima che il WER si dimezzi ogni volta che i dati aumentano di 16 volte. La maggior parte delle 96 lingue diverse dall'inglese aveva meno di 1.000 ore.
Alcuni risultati di Fleurs per large-v2 su frasi lette provengono dalla tabella 13 dell'appendice.
| Lingua | WER su Fleurs | Nota |
|---|---|---|
| Spagnolo | 3,0% | Il valore più basso della tabella |
| Inglese | 4,2% | |
| Portoghese | 4,3% | |
| Tedesco | 4,5% | |
| Giapponese | 5,3% | Tasso di errore sui caratteri |
| Russo | 5,6% | |
| Francese | 8,3% | |
| Coreano | 14,3% | Segnalato come eccezione |
| Cinese | 14,7% | Tasso di errore sui caratteri |
| Arabo | 16,0% | |
| Hindi | 21,5% | |
| Ebraico | 27,1% | Segnalato come eccezione |
| Swahili | 39,3% | |
| Telugu | 99,0% | Segnalato come eccezione |
Lo studio segnala che ebraico, telugu, cinese e coreano ottengono risultati peggiori del previsto in base ai dati di addestramento. Tra le possibili ragioni cita la distanza linguistica, un tokenizer poco adatto ai sistemi di scrittura o la qualità dei dati. Fleurs contiene parlato letto. Nelle conversazioni puoi aspettarti più errori. Il README ha un grafico più recente per large-v3 e large-v2 su Common Voice 15 e Fleurs.
I risultati in spagnolo sono incoraggianti se devi trascrivere audio spagnolo in testo. Per le lingue con meno dati, prova una clip breve prima di avviare un progetto intero.
Cosa influisce sulla precisione di Whisper?
Le condizioni di registrazione sono il fattore principale. Ecco cosa indicano lo studio e la scheda del modello.
| Fattore | Cosa mostrano i dati | Come intervenire |
|---|---|---|
| Rumore di fondo | Con rumore da locale e rapporto segnale-rumore inferiore a 10 dB, Whisper ha superato tutti i 14 modelli di confronto. Tutti i modelli sono peggiorati con l'aumento del rumore | Registra in un ambiente silenzioso, lontano da ventole e musica |
| Distanza dal microfono | Nelle stesse riunioni AMI, 17,4% con microfoni da cuffia e 39,9% con un solo microfono da tavolo | Tieni il microfono vicino a chi parla |
| Conversazioni e voci sovrapposte | Telefonate e cene hanno un WER dal 13,6% al 24,9%, rispetto al 2,5% del parlato letto | Fai parlare una persona alla volta e usa un microfono per ciascuna |
| Accenti e dialetti | La scheda indica una precisione variabile per accento e dialetto. Le interviste lunghe CORAAL hanno ottenuto il 19,6% | Prova con voci simili a quelle delle tue registrazioni |
| Parole rare e gergo | Buon risultato sul set Meanwhile ricco di gergo (5,1%), ma nomi e termini tecnici restano fonti frequenti di errore | Controlla nomi e termini con un elenco |
| Dati per lingua | Il WER su Fleurs va dal 3,0% dello spagnolo al 99,0% del telugu | Scegli la lingua a mano e dedica più tempo alla revisione per quelle con meno dati |
| Dimensioni del modello | Tiny ottiene il 48,0% su CHiME-6, large-v2 il 24,9% | Chiedi quale modello usa lo strumento oppure usa il più grande che puoi |
| Formato e frequenza di campionamento | Il codice di Whisper ricampiona tutto l'audio a 16 kHz in mono | Un WAV a 48 kHz non offre vantaggi rispetto a un audio pulito a 16 kHz |
Convertire MP3 in un WAV più grande non recupera i dettagli persi. Una registrazione chiara con un bitrate moderato dà risultati migliori di una rumorosa con un bitrate alto.
Problemi noti di Whisper con testo inventato, ripetizioni e tempi
OpenAI documenta questi problemi, il cui peso può andare oltre quello che appare nel WER.
Testo inventato
Whisper può scrivere parole che nessuno ha detto. Secondo la scheda del modello, le previsioni possono includere testo assente dall'audio, probabilmente perché il modello predice anche le parole successive più plausibili. Nella sezione sui limiti lo studio parla persino di allucinazione completa, con testo estraneo all'audio.
Uno studio indipendente, Careless Whisper (Koenecke e altri, 2024), ha elaborato 13.140 segmenti audio con l'API Whisper di OpenAI ad aprile e maggio 2023. Circa l'1% delle trascrizioni, l'1,4% in media, conteneva espressioni o frasi intere inventate. Il 38% di queste includeva contenuti dannosi come violenza o associazioni false. Le persone che facevano pause più lunghe, in questo caso persone con afasia, le incontravano più spesso. L'API è cambiata da allora, quindi il dato descrive i risultati del 2023.
Ripetizioni e parole omesse
La scheda del modello indica che Whisper tende a generare testo ripetitivo. La ricerca a fascio e la regolazione della temperatura riducono il problema senza risolverlo del tutto. Lo studio cita anche le parole saltate all'inizio o alla fine di un segmento. Le correzioni alla decodifica hanno ridotto il WER medio sui file lunghi dall'11,0% al 10,0%.
Silenzio, musica e intercalari
Il testo inventato tende a comparire durante silenzi lunghi e musica. Lo studio ha rilevato che il segnale interno di assenza di parlato è poco affidabile se usato da solo. Ora il codice open source ha un'opzione per saltare i silenzi lunghi quando rileva una probabile allucinazione.
Deriva dei tempi nei file lunghi
Whisper elabora i file lunghi in finestre da 30 secondi e usa i tempi stimati per posizionare la finestra successiva. Lo studio osserva quindi che un errore può propagarsi. Nel codice, i tempi delle singole parole sono indicati come sperimentali. Per i sottotitoli, controlla a campione i tempi vicino alle pause.
Durante lo sviluppo OpenAI ha visto Whisper indovinare i nomi dei parlanti, quasi sempre a torto. I modelli pubblicati sono stati riaddestrati per ridurre il fenomeno, ma controlla comunque tutti i nomi.
10 modi per migliorare la precisione di Whisper
Gran parte del miglioramento viene prima della trascrizione. I suggerimenti sono ordinati all'incirca per impatto.
- Avvicina il microfono. Nelle riunioni AMI, la sola distanza ha più che raddoppiato il tasso di errore.
- Riduci il rumore alla fonte. Chiudi le finestre, spegni le ventole e metti in pausa la musica.
- Evita le voci sovrapposte. Far parlare una persona alla volta aiuta più di qualsiasi impostazione.
- Taglia i lunghi silenzi e le introduzioni musicali, dove compare più spesso il testo inventato. Taglia durante le pause e non a metà frase.
- Imposta la lingua a mano. Su 82 lingue di Fleurs, Whisper ha identificato quella giusta nell'80,3% dei casi. Il rilevamento automatico può sbagliare su clip brevi o con accenti marcati.
- Usa il modello più grande che puoi, soprattutto per le registrazioni rumorose.
- Aggiungi nomi e termini al prompt se usi Whisper in locale. La versione open source accetta un
--initial_promptcon le grafie che ti aspetti. - Carica il file originale. Registrare di nuovo attraverso gli altoparlanti o ricomprimere più volte fa perdere dettagli.
- Controlla i termini. Cerca tutti i nomi, numeri, date e acronimi e confrontali con l'audio.
- Rileggi in due passaggi. Prima correggi gli errori a velocità normale. Poi cerca indizi di testo inventato, come righe ripetute, frasi durante il silenzio e formule finali come «Grazie per aver guardato». Per attività legali, sanitarie o pubblicazioni, fai controllare tutto da una persona.
Come misurare la precisione di Whisper sui tuoi file
Una prova da 30 minuti sulle tue registrazioni è la stima più utile per il tuo lavoro. I passaggi descrivono una prova da fare sui tuoi file. Non si tratta di un test di whispertranscribe.ai.
- Scegli tre clip da 2 minuti simili a quelle che usi. Prendine una facile, una tipica e una difficile.
- Scrivi a mano la trascrizione di riferimento, parola per parola. Stabilisci prima se tenere gli intercalari come «ehm» e se scrivere i numeri in cifre o lettere.
- Trascrivi ogni clip con lo strumento in prova e salva in testo semplice.
- Normalizza entrambi i testi allo stesso modo. Il normalizzatore di OpenAI è incluso in
openai-whisper. - Calcola il WER con jiwer.
# pip install jiwer openai-whisper
import jiwer
from whisper.normalizers import EnglishTextNormalizer
norm = EnglishTextNormalizer()
ref = norm(open("reference.txt", encoding="utf-8").read())
hyp = norm(open("transcript.txt", encoding="utf-8").read())
out = jiwer.process_words(ref, hyp)
print(f"WER {out.wer:.1%} S={out.substitutions} D={out.deletions} I={out.insertions}")
- Conta a parte gli errori più importanti. Cinque intercalari errati e cinque nomi di clienti sbagliati danno lo stesso WER, ma hanno conseguenze diverse.
- Registra i risultati per confrontare strumenti e impostazioni.
| Clip | Condizioni | Parole di riferimento | S | D | I | WER | Errori importanti |
|---|---|---|---|---|---|---|---|
| Clip A | Stanza silenziosa, una persona | 310 | |||||
| Clip B | Videochiamata, due persone | 285 | |||||
| Clip C | Bar, persona con un accento marcato | 296 |
I numeri di parole sono esempi. Al passaggio 4, abbiamo provato il normalizzatore inglese di OpenAI su una frase inventata. Ha equiparato «Dr.» a «doctor» e «two» a «2», ma ha contato «9th» e «ninth» come un errore. Leggi le differenze segnalate prima di fare affidamento sul risultato.
Quanto è preciso whispertranscribe.ai?
whispertranscribe.ai è uno strumento web di trascrizione con IA basato su Whisper che supporta oltre 130 lingue e accetta file fino a 5 GB e 10 ore. Con audio chiaro può arrivare al 99%. Rumori di fondo, accenti marcati e voci sovrapposte riducono la precisione, come mostrano i test su Whisper. Non abbiamo pubblicato una prova comparativa del servizio né dichiarato di eguagliare o superare i risultati dello studio. Prova i tuoi file con i passaggi precedenti.
- Opzioni Noise / Low-Quality Audio/Video nel menu di scelta per molte lingue. Se l'audio è rumoroso, confronta l'opzione normale con quella per il rumore.
- Oltre 130 lingue, opzione Multilingual Mix e traduzione dell'audio in inglese.
- File fino a 5 GB e 10 ore, riconoscimento dei parlanti e codici temporali. Tutte le funzionalità
- Audio di buona qualità. Registra nel browser con il microfono vicino oppure converti il video in MP3 per caricare solo l'audio.
- Esportazioni in DOCX, PDF, TXT, CSV, SRT e VTT e un generatore di sottotitoli con codici temporali.
Puoi iniziare gratis senza account. I piani a pagamento partono da 9,99 USD al mese con fatturazione annuale. Prezzi
Domande frequenti
Whisper ha una precisione del 99%?
Non in generale. Il miglior risultato pubblicato di Whisper è un tasso di errore del 2,5% su LibriSpeech test-clean, un set di audiolibri letti chiaramente. Corrisponde a circa il 97,5% di parole corrette. Per telefonate, riunioni e ambienti rumorosi i valori di OpenAI vanno da circa il 13% al 40% di WER. Un valore del 99% è informativo solo se specifica l'audio su cui è stato misurato. Valuta i programmi basati su Whisper, compreso whispertranscribe.ai, sulle tue registrazioni.
Qual è il modello Whisper più preciso?
I modelli large sono i più precisi. Nello studio di OpenAI, large-v2 ha ottenuto i tassi di errore più bassi nella maggior parte dei set di prova. La scheda di large-v3 riporta dal 10% al 20% di errori in meno rispetto a large-v2 in molte lingue. Turbo è un large-v3 ottimizzato. OpenAI indica una perdita contenuta di precisione in cambio di molta più velocità. Il modello più piccolo, tiny, è molto meno preciso con audio difficile. In una cena rumorosa ottiene il 48,0% di WER, contro il 24,9% di large-v2.
Perché Whisper scrive parole che non sono state dette?
Whisper può inventare testo perché è addestrato sia a prevedere le parole più probabili sia a trascrivere il suono. La scheda di OpenAI avverte che può produrre testo assente dall'audio. Succede soprattutto con silenzi lunghi, musica o rumore. Nelle prove del 2023 di uno studio indipendente sono emerse frasi inventate in circa l'1% delle trascrizioni, con una frequenza maggiore in presenza di pause. Tagliare i silenzi, impostare la lingua e controllare i punti poco udibili riduce il rischio.
Quanto è preciso Whisper con gli accenti?
Whisper gestisce gli accenti meglio di molti sistemi precedenti, ma i risultati variano. La scheda di OpenAI indica che la precisione cambia tra accenti e dialetti della stessa lingua. Nello studio, le interviste lunghe in inglese afroamericano di CORAAL hanno un WER del 19,6%, contro il 3,5% degli interventi TED completi. Cambiano anche le condizioni di registrazione. Prova una clip con voci simili a quelle delle tue registrazioni e dedica più tempo alla rilettura se gli accenti sono marcati.
Whisper è preciso quanto una persona che trascrive?
In inglese si avvicina ai risultati migliori senza raggiungerli. OpenAI lo ha confrontato con cinque servizi professionali su 25 registrazioni. Un servizio assistito da computer ha ottenuto un WER aggregato più basso di 1,15 punti rispetto a Whisper. I quattro servizi interamente umani lo hanno superato di una frazione di punto. Le persone tendono a gestire meglio nomi, voci sovrapposte e parlato poco chiaro. Per citazioni, atti da depositare o pubblicazioni, fai confrontare la trascrizione con la registrazione da una persona.
Quanto è preciso Whisper in lingue diverse dall'inglese?
I risultati dipendono molto dalla lingua. Nel test Fleurs, large-v2 ha ottenuto un WER del 3,0% in spagnolo, del 4,5% in tedesco e dell'8,3% in francese, ma del 27,1% in ebraico e del 99,0% in telugu. Per cinese e giapponese si usa il tasso di errore sui caratteri, rispettivamente del 14,7% e del 5,3%. Secondo lo studio, la precisione è legata alla quantità di audio di addestramento per lingua. Per quelle con meno dati, prova prima una clip e prevedi più tempo per le correzioni.
Misura la precisione sulle tue registrazioni
I risultati dei test riguardano l'audio di altre persone. Carica una clip in una delle oltre 130 lingue di whispertranscribe.ai e valutala con i passaggi di questa guida. Inizia gratis senza account oppure confronta i piani.
Articoli correlati: Che cos'è Whisper AI? · I migliori programmi di trascrizione gratuiti · Le migliori alternative a TurboScribe · Come trascrivere un video di YouTube · Cos'è un file SRT? · Sottotitoli impressi o selezionabili
Fonti
- Radford e altri, Robust Speech Recognition via Large-Scale Weak Supervision, studio su Whisper di OpenAI del 2022, tabelle 2, 9, 13 e 16 e sezioni 3–6
- OpenAI, openai/whisper su GitHub, tabella dei modelli nel README, nota su turbo e grafico del WER per lingua
- OpenAI e Hugging Face, scheda del modello whisper-large-v3, modifiche in large-v3, usi valutati e limiti
- Koenecke e altri, Careless Whisper: Speech-to-Text Hallucination Harms (2024)
- jiwer, libreria open source per WER e CER
- Hugging Face, Open ASR Leaderboard, confronto indipendente tra modelli vocali aperti aggiornato regolarmente
