Che cos'è la conversione da voce a testo e quando usarla

A cura della redazione di whispertranscribe.ai · Ultimo aggiornamento a novembre 2026 · Lettura di 12 min · Categoria Nozioni di base sulla trascrizione

La conversione da voce a testo è una tecnologia che ascolta il parlato e lo rende testo modificabile. Si chiama anche speech to text o riconoscimento automatico del parlato (ASR). Puoi usarla in diretta, con le parole che appaiono mentre qualcuno parla, oppure su una registrazione, per ottenere la trascrizione di un file audio o video.

Sviluppiamo whispertranscribe.ai, un servizio di trascrizione per browser. Per spiegare la tecnologia ci basiamo su Google, Microsoft, Apple, il W3C e una rassegna scientifica.

Che cos'è la conversione da voce a testo in breve

La conversione da voce a testo è automatica. Il sistema riceve l'audio, un modello di riconoscimento del parlato sceglie le parole più probabili e il software aggiunge la punteggiatura.

  • Altri nomi. Speech to text, riconoscimento del parlato, ASR, digitazione vocale e talk-to-text.
  • Due modalità. La modalità in diretta (streaming) serve per la dettatura e i sottotitoli. Quella da file (batch) serve per le registrazioni che hai già.
  • La qualità dell'audio conta. Rumore, distanza dal microfono, accenti marcati, termini tecnici e voci sovrapposte aumentano gli errori.

Voce a testo, speech to text, dettatura e trascrizione

Voice to text e speech to text indicano la stessa cosa. La dettatura è una delle possibili applicazioni, in cui parli per scrivere in un campo di testo. Un'altra è la trascrizione, che trasforma una registrazione in un documento scritto. L'espressione inglese «voice recognition» indica invece il riconoscimento di chi parla.

La Web Accessibility Initiative del W3C usa «speech recognition» per la conversione delle parole in testo e «voice recognition» o «speaker recognition» per la tecnologia che identifica chi parla.

Termine Significato abituale Risultato tipico
Voice to text Nome comune per la conversione del parlato in testo Testo a schermo o in un file
Speech to text (STT) Stesso concetto, nella documentazione dei software Testo, spesso con codici temporali
Riconoscimento automatico del parlato (ASR) Il settore tecnico e il modello su cui si basa La sequenza di parole più probabile
Dettatura o digitazione vocale Parlare per scrivere in un campo di testo Testo inserito dove si trova il cursore
Trascrizione Versione scritta di una registrazione o di un evento Testo che puoi modificare, consultare ed esportare
Sottotitoli in diretta Testo in tempo reale durante la riproduzione dell'audio Sottotitoli a schermo, di solito non salvati
Riconoscimento della voce o del parlante Identificazione di chi parla Un'etichetta che indica il parlante

La dettatura è un tipo di conversione da voce a testo. Un'intervista di 90 minuti richiede la trascrizione. Per rispondere a un'e-mail a mani libere serve invece la dettatura.

Come funziona la conversione da voce a testo?

Ogni sistema acquisisce l'audio, trasforma il suono in caratteristiche numeriche, usa un modello addestrato per trovare le parole più probabili e impagina il risultato. Negli ultimi dieci anni è cambiato il modo di costruire il modello.

  1. Acquisizione. Un microfono o un file audio fornisce un segnale digitale. La documentazione di Cloud Speech-to-Text suggerisce di registrare a 16.000 Hz quando puoi scegliere. Frequenze più basse possono ridurre la precisione. Aumentarle non produce differenze apprezzabili.
  2. Estrazione delle caratteristiche. Il sistema divide il segnale in brevi segmenti e lo trasforma in caratteristiche, spesso con uno spettrogramma che mostra come l'energia sonora varia nel tempo per diverse frequenze.
  3. Riconoscimento. Il modello associa le caratteristiche alla sequenza di parole più probabile.
  4. Formattazione. Il sistema aggiunge punteggiatura, maiuscole e a volte codici temporali o etichette dei parlanti.

L'approccio classico con un modello acustico e uno linguistico

Per decenni il riconoscimento del parlato è stato diviso in parti separate. Una rassegna del 2023 sul riconoscimento end-to-end descrive quattro componenti nel sistema classico. Sono l'estrazione delle caratteristiche acustiche, la modellazione acustica e linguistica e una procedura di ricerca che sceglie la risposta migliore nel complesso.

  • Il modello acustico stima quali suoni del parlato sono presenti in ogni segmento. I sistemi classici usavano modelli di Markov nascosti per gestire le diverse velocità del parlato.
  • Un lessico di pronuncia associa i suoni alle parole.
  • Il modello linguistico valuta quali sequenze di parole sono più probabili. Così il sistema preferisce «recognize speech» a una sequenza di suoni simile ma senza senso.

L'approccio moderno con i modelli end-to-end

I sistemi più recenti sono per lo più end-to-end. Una sola rete neurale impara a passare dall'audio al testo, addestrandosi su audio già trascritto. La stessa rassegna riporta che il deep learning ha ridotto il tasso di errore sulle parole di oltre il 50% rispetto ai metodi precedenti e che i modelli end-to-end sono diventati l'approccio prevalente. Whisper di OpenAI ne è un esempio. Lo spieghiamo nella guida su cos'è Whisper AI.

Sistema classico Modello end-to-end
Struttura Modello acustico, lessico di pronuncia e modello linguistico separati Un'unica rete neurale dall'audio al testo
Requisiti di addestramento Elenchi di parole e insiemi di fonemi costruiti a mano, con più fasi di addestramento Grandi quantità di parlato trascritto
Limite tipico L'addestramento separato di ogni parte può aumentare errori e costi Servono molti esempi di parlato trascritto. Usare dati solo testuali è più difficile
Conoscenze linguistiche Modello linguistico separato La rete le apprende. Si può aggiungere un modello esterno

Che differenza c'è tra trascrizione in tempo reale e da file?

La conversione da voce a testo in diretta (streaming) mostra il testo mentre qualcuno parla. È adatta alla dettatura e ai sottotitoli in diretta. La trascrizione da file (batch) elabora una registrazione già conclusa e restituisce tutto il testo dopo l'elaborazione. È adatta a interviste, riunioni e lezioni.

Cloud Speech-to-Text di Google distingue tre tipi di richiesta. Quella sincrona vale per audio fino a 1 minuto, l'asincrona per file fino a 480 minuti e quella in streaming restituisce risultati parziali mentre l'utente parla. La documentazione di Microsoft Azure Speech distingue in modo simile la trascrizione in tempo reale, rapida e batch. Entrambe le guide sono state consultate a novembre 2026.

Conversione da voce a testo in diretta (streaming) Trascrizione da file (batch)
Quando appare il testo Mentre parli. Il testo provvisorio può cambiare con l'audio successivo Dopo l'elaborazione della registrazione
Utilizzi tipici Dettatura, sottotitoli in diretta e assistenti vocali Interviste, riunioni, lezioni, podcast e sottotitoli video
Cosa conservi Il testo inserito nel campo o mostrato nella finestra dei sottotitoli Una trascrizione che puoi modificare ed esportare
Compromesso principale Privilegia la rapidità Devi aspettare, ma puoi rielaborare il file con altre impostazioni

Se il testo ti serve più tardi, registra un audio chiaro e trascrivi il file. Potrai conservare l'originale e confrontare ogni riga con l'audio.

A cosa serve la conversione da voce a testo?

Serve per scrivere senza digitare, trasformare le registrazioni in note consultabili, sottotitolare i video e rendere accessibili i contenuti parlati. Microsoft cita anche l'uso nei centri di assistenza, per esempio per analizzare le chiamate dopo la conclusione.

Uso Modalità abituale
Scrivere e-mail, messaggi e bozze a voce Dettatura in diretta
Appunti di riunioni e interviste Trascrizione da file oppure in diretta per appunti rapidi
Appunti di lezioni e seminari Registrazione, poi trascrizione del file
Sottotitoli semplici e per non udenti Trascrizione da file ed esportazione SRT o VTT
Memo vocali e chiamate registrate Trascrizione da file
Accessibilità per persone sorde o ipoudenti o che non possono usare la tastiera Sottotitoli in diretta e dettatura

La guida alle app per registrare le lezioni approfondisce il caso delle lezioni.

Dove trovare la conversione da voce a testo sul telefono o sul computer

La maggior parte dei dispositivi ha già una funzione per scrivere a voce. In Windows 11 premi il tasto con il logo di Windows + H. Su Mac e iPhone usa Dettatura. Su Android usa il microfono della tastiera Gboard di Google. Questi strumenti scrivono nel campo attivo. Per una registrazione esistente ti serve uno strumento di trascrizione.

Piattaforma Funzione integrata Come si avvia secondo la guida ufficiale Serve Internet secondo la guida?
Windows 11 Digitazione vocale Metti il cursore in un campo di testo e premi il tasto con il logo di Windows + H Sì. Microsoft usa il riconoscimento vocale online di Azure Speech
Mac Dettatura Attivala in Impostazioni di Sistema, Tastiera, Dettatura. Avviala con il tasto del microfono, l'abbreviazione di Dettatura o Modifica, Avvia dettatura Dipende. Le impostazioni della tastiera indicano se la dettatura viene elaborata sul Mac
iPhone Dettatura Vai su Impostazioni, Generali, Tastiera, Abilita dettatura. Poi tocca il microfono sulla tastiera Spesso no. Apple spiega che Dettatura funziona sul dispositivo in molte lingue senza Internet
Android Digitazione vocale di Gboard In un'app in cui puoi scrivere, tocca il microfono in alto sulla tastiera La pagina di Google non lo indica

Altri dettagli delle guide ufficiali.

I nomi dei menu cambiano a seconda della versione. Segui la pagina di assistenza del tuo dispositivo.

Quanto è precisa la conversione da voce a testo e quali sono i suoi limiti?

Con audio chiaro e una sola persona vicina al microfono, i sistemi moderni riconoscono quasi tutte le parole. Rumori, distanza, accenti marcati, termini specialistici e voci sovrapposte riducono la precisione. Non esiste un valore unico. La registrazione conta quanto il software.

La misura più usata è il tasso di errore sulle parole (WER). Somma le parole sostituite, omesse e aggiunte e divide il totale per il numero di parole di una trascrizione verificata da una persona. L'articolo sulla precisione di Whisper mostra come cambia il WER tra audiolibri puliti e riunioni registrate con microfoni lontani.

Limite Perché si verifica Cosa aiuta
Accenti e dialetti I modelli incontrano alcuni accenti molto meno spesso durante l'addestramento Scegli la variante regionale giusta e prova una clip breve
Rumore di fondo e distanza Il rumore e l'eco rendono il parlato meno chiaro Avvicinati al microfono e usa una stanza silenziosa o cuffie con microfono
Gergo, nomi e parole rare I modelli preferiscono le parole comuni Usa elenchi di parole personalizzati, che Microsoft chiama phrase lists, o controlla nomi e numeri
Più parlanti e voci sovrapposte Le voci sovrapposte si separano con difficoltà. Identificare i parlanti è un compito distinto, la diarizzazione Fai parlare una persona alla volta e controlla le etichette
Audio telefonico o di bassa qualità Secondo Google, gran parte dell'audio telefonico tradizionale è a 8.000 Hz e può dare risultati meno precisi Registra con qualità migliore. Aumentare la frequenza non ripara l'audio vecchio
Parole che suonano allo stesso modo «Flour» e «flower» hanno la stessa pronuncia Rileggi il testo prima di inviarlo

Per evitare gran parte degli errori, confronta nomi, numeri e termini tecnici con l'audio e usa i sottotitoli in diretta come riferimento indicativo.

Conversione da voce a testo per l'accessibilità

La conversione da voce a testo aiuta in due modi. La dettatura permette di scrivere parlando. Il W3C cita tra chi ne dipende le persone con disabilità fisiche, lesioni da sforzo ripetitivo e disabilità cognitive o dell'apprendimento. Sottotitoli e trascrizioni consentono alle persone sorde o ipoudenti di seguire l'audio.

La pagina del W3C sulle disabilità uditive indica che servono alternative all'audio, per esempio trascrizioni e sottotitoli. Avverte anche che i sottotitoli automatici di norma non sono abbastanza precisi da essere usati da soli, perché possono sbagliare termini specialistici o unire più frasi. Controlla e correggi il testo prima di pubblicarlo. La guida alla differenza tra subtitles e captions spiega i due tipi di sottotitoli.

Anche i telefoni hanno strumenti in diretta. I sottotitoli in tempo reale di Apple (iPhone 11 o successivo) trascrivono l'audio di un'app o dell'ambiente mentre viene riprodotto. Apple sconsiglia di farvi affidamento in situazioni ad alto rischio o di emergenza. Trascrizione istantanea di Google su Android mostra come testo il parlato e i suoni. Serve Internet, salvo per le lingue disponibili offline.

5 criteri per scegliere uno strumento da voce a testo

Parti da ciò che vuoi ottenere. Per un messaggio breve basta la dettatura integrata. Per una registrazione lunga, valuta gli strumenti che lavorano da file in base a questi cinque aspetti.

  1. Diretta o registrazione? Per digitare a voce ti serve la dettatura nelle tue app. Per registrazioni esistenti cerca uno strumento che accetti file ed eventualmente link.
  2. Lingue e accenti supportati. Verifica che siano presenti la tua lingua e la variante regionale per la modalità scelta. La modalità in diretta e quella da file possono avere elenchi diversi.
  3. Dove va l'audio. Alcuni strumenti elaborano il parlato sul dispositivo e altri lo inviano a un server. Leggi l'informativa sulla privacy prima di caricare registrazioni sensibili e chiedi il consenso prima di registrare altre persone.
  4. Cosa ottieni. Cerca etichette dei parlanti, codici temporali, un editor e formati di esportazione come DOCX, TXT, SRT o VTT.
  5. Limiti e costo. Controlla durata e dimensione massime dei file e come varia il prezzo in base alle ore di audio.

Se il budget è la priorità, la rassegna dei migliori programmi di trascrizione gratuiti confronta i piani gratuiti.

Quando usare whispertranscribe.ai

whispertranscribe.ai è un servizio per trasformare le registrazioni in testo dal browser e trascrivere in diretta l'audio del microfono. Si usa nel browser senza un'app per computer e non inserisce il testo nelle altre app come la dettatura. Le pagine del prodotto descrivono queste funzioni.

  • Carica le registrazioni. Usa la conversione da voce a testo online per file audio e video, come MP3, WAV, M4A, MP4 e MOV, fino a 5 GB e 10 ore. La trascrizione da file copre oltre 130 lingue e offre il riconoscimento facoltativo dei parlanti.
  • Trascrivi da un link. Incolla un link di YouTube, Vimeo, Google Drive o Dropbox in Trascrivi da URL.
  • Registra nel browser. Registra e trascrivi la tua voce senza installare programmi oppure carica i memo vocali.
  • Trascrivi in diretta. La pagina della trascrizione in diretta acquisisce il microfono e mostra il parlato come testo in tempo reale. Scegli la lingua e il microfono e, se serve, attiva il riconoscimento dei parlanti. Le lingue disponibili sono meno di quelle supportate per il caricamento dei file.
  • Esporta il risultato. Sono disponibili DOCX, PDF, SRT, VTT, TXT e CSV. Il generatore di sottotitoli con IA produce i file dei sottotitoli. Puoi elaborare anche le registrazioni telefoniche.

Con audio chiaro la precisione può arrivare al 99%. Rumore di fondo, accenti marcati e voci sovrapposte la riducono. I piani a pagamento partono da 9,99 USD al mese con fatturazione annuale (prezzi). Puoi iniziare gratis senza account. L'elenco completo è nella pagina delle funzionalità.

Domande frequenti

Voice to text e speech to text sono la stessa cosa?

Sì. Sono due nomi per la tecnologia che ascolta il parlato e lo trasforma in testo modificabile. «Speech to text» è più comune nella documentazione per sviluppatori, per esempio quella di Google e Microsoft, mentre «voice to text» è una ricerca più comune. Entrambi si basano sul riconoscimento automatico del parlato. Il W3C usa invece «voice recognition» per l'identificazione di chi sta parlando.

La conversione da voce a testo è la stessa cosa della dettatura?

La dettatura è uno degli usi della conversione da voce a testo. Parli e le parole appaiono dove hai messo il cursore, come con la digitazione vocale di Windows o la dettatura di Apple. La conversione include anche la trascrizione, che trasforma in testo modificabile un'intera registrazione, per esempio un'intervista, una lezione o una riunione. Usa la dettatura per scrivere un testo nuovo e uno strumento di trascrizione se hai già l'audio.

Per convertire la voce in testo serve Internet?

Dipende dallo strumento. Secondo Microsoft, la digitazione vocale di Windows richiede Internet perché usa il riconoscimento vocale online. Apple indica che per molte lingue Dettatura su iPhone elabora il parlato sul dispositivo senza Internet. Su Mac, le impostazioni della tastiera mostrano se la dettatura viene elaborata sul Mac stesso. Trascrizione istantanea di Google richiede una connessione, salvo con una lingua disponibile offline. Per caricare ed elaborare l'audio, serve una connessione nei servizi di trascrizione cloud, compresi quelli per browser.

Convertire la voce in testo è gratis?

Le funzioni di base sono gratuite sulla maggior parte dei dispositivi. Windows, macOS, iOS e Android includono la digitazione vocale o la dettatura senza costi aggiuntivi, con disponibilità diversa secondo la lingua. Per le registrazioni lunghe di solito si comincia a pagare. Molti servizi offrono una prova o un piano gratuito, poi fanno pagare per ore di audio o tramite abbonamento. Prima di acquistare, verifica durata e dimensione massime dei file, lingue supportate e formati di esportazione del piano.

Quanto è precisa la conversione da voce a testo?

Con audio chiaro di una sola persona vicina al microfono, i sistemi moderni trascrivono bene quasi tutte le parole. Non c'è un valore valido in ogni situazione. Gli errori aumentano con rumore di fondo, eco, distanza dal microfono, accenti marcati, termini tecnici e voci sovrapposte. La misura più comune è il tasso di errore sulle parole, che conta sostituzioni, omissioni e aggiunte. Prima di usare una trascrizione, controlla sempre nomi, numeri e termini specialistici confrontandoli con l'audio.

La conversione da voce a testo può distinguere chi parla?

Alcuni strumenti possono farlo. Stabilire chi ha parlato e quando è un passaggio a parte, chiamato diarizzazione dei parlanti, e non tutti gli strumenti lo prevedono. La dettatura integrata presume che stia parlando una sola persona. I servizi di trascrizione spesso aggiungono etichette dei parlanti. Azure Speech di Microsoft, per esempio, documenta la diarizzazione fino a 35 persone. Le etichette sono più affidabili se le voci sono diverse e le persone non parlano contemporaneamente. Verificale quando le voci sono simili o si sovrappongono.


Hai una registrazione da trasformare in testo? Caricala su whispertranscribe.ai per ottenere una trascrizione in oltre 130 lingue da esportare in DOCX, PDF, SRT o VTT.

Fonti

Vuoi trasformare le tue registrazioni in testo?

Trascrivi audio e video con whispertranscribe.ai.

Inizia a trascrivere ↗