Lo speech to text è la tecnologia che trasforma la voce in testo scritto. Parli al microfono e le parole compaiono sullo schermo, oppure carichi un file audio e ricevi la trascrizione. In italiano si dice anche trascrizione vocale o riconoscimento vocale (speech recognition): sono nomi diversi per la stessa cosa.

Fino a pochi anni fa la trascrizione automatica era lenta e piena di errori. Oggi un buon sistema di speech to text scrive in tempo reale, mette da solo la punteggiatura e capisce l’italiano parlato anche quando non è perfetto. In questo articolo trovi come funziona, quanto è preciso, dove lo usa un’azienda e cosa puoi fare con le chiamate della tua attività.

Cos’è lo speech to text

Speech to text significa letteralmente “dalla voce al testo”. Un software ascolta l’audio, riconosce le parole pronunciate e le scrive. Può lavorare in due modi:

  • In tempo reale: il testo compare mentre parli. È il caso della dettatura sul computer o sul cellulare, dei sottotitoli dal vivo e degli assistenti vocali.
  • Su un file registrato: carichi un file audio o video (MP3, WAV, una registrazione di una riunione) e ricevi la trascrizione completa, spesso con l’indicazione di chi parla e dell’orario di ogni frase.

Il contrario dello speech to text è il text to speech, che legge un testo scritto con una voce sintetica. Al telefono lo usi per esempio per creare il messaggio di benvenuto senza registrarlo tu.

Come funziona il riconoscimento vocale

Dietro la trascrizione ci sono modelli di intelligenza artificiale addestrati su migliaia di ore di parlato con il testo corrispondente. Il processo, semplificato, è questo:

  1. Acquisizione dell’audio. Il microfono o il file forniscono il segnale sonoro, che il sistema pulisce dal rumore dove può.
  2. Analisi dei suoni. Il modello divide l’audio in frammenti brevissimi e riconosce i suoni della lingua.
  3. Dalle parole alle frasi. Un modello linguistico sceglie la sequenza di parole più probabile nel contesto: è così che distingue “ha fatto” da “a fatto” anche se suonano uguali.
  4. Rifinitura. Il sistema aggiunge punteggiatura, maiuscole e numeri scritti in cifre, e in alcuni casi separa i diversi interlocutori.

I sistemi moderni usano reti neurali che svolgono più passaggi insieme, e per questo sono molto più precisi dei programmi di dettatura di qualche anno fa.

Quanto è precisa la trascrizione vocale

La precisione si misura con il word error rate (WER), la percentuale di parole sbagliate, mancanti o aggiunte rispetto a una trascrizione fatta da una persona. Con audio pulito e una persona che parla chiaramente, i sistemi attuali sbagliano poche parole su cento. Il risultato peggiora in alcune situazioni ben note:

  • rumore di fondo, come in auto, in cantiere o in un negozio affollato;
  • più persone che parlano insieme;
  • accenti marcati o dialetto;
  • nomi propri, sigle e termini tecnici di settore;
  • audio telefonico, che ha una qualità inferiore a quella di un microfono.

Molti strumenti di speech to text permettono di aggiungere un vocabolario personalizzato, con nomi di prodotti, clienti e sigle, e questo riduce gli errori sui termini che contano per te. Per una trascrizione da usare come documento, come un verbale, conviene sempre una rilettura. Per cercare un’informazione in una conversazione lunga, invece, anche una trascrizione con qualche errore fa risparmiare molto tempo.

Speech to text per le aziende: dove serve

In ufficio la trascrizione vocale si usa soprattutto per:

  • Dettatura: email, note e documenti scritti a voce. Windows, macOS, Android e iOS hanno la dettatura integrata, e Google Documenti offre la digitazione vocale nel browser Chrome.
  • Riunioni: verbali e note dalle videochiamate, con il testo da cui ricavare le decisioni prese.
  • Contenuti: sottotitoli per i video, trascrizioni di interviste e podcast.
  • Servizio clienti: trascrizione delle telefonate registrate, per ritrovare cosa è stato detto, controllare la qualità e formare i nuovi colleghi.
  • Accessibilità: sottotitoli e trascrizioni rendono audio e video fruibili anche a chi non sente bene, e il testo è più facile da cercare.
  • Integrazioni: tramite API gli sviluppatori collegano un servizio di speech to text ai propri sistemi, per esempio per archiviare il testo delle chiamate nel CRM.

Come scegliere uno strumento di speech to text

Prima di scegliere un servizio di speech to text, prova con i tuoi file reali: una registrazione di una riunione, una telefonata, un vocale con rumore di fondo. Controlla la precisione in italiano e sulle parole del tuo settore, i formati audio accettati, se il servizio funziona in tempo reale o solo su file, se separa le persone che parlano e se offre un’API per collegarlo ai tuoi sistemi.

Speech to text e telefonate: cosa fa CallFactory

CallFactory non vende uno strumento di speech to text separato. La trascrizione la usiamo dove serve alle tue chiamate.

Chiamate registrate. Con il piano Servizio clienti ogni chiamata registrata viene trascritta dopo la conversazione. Nella dashboard trovi registrazione e testo insieme, quindi cerchi una parola invece di ascoltare tutta la chiamata, e puoi attivare anche un riepilogo AI. Le registrazioni sono conservate nell’Unione Europea fino a 30 giorni e solo l’amministratore dell’account può ascoltarle. Trovi tutto nella pagina sulla registrazione delle chiamate.

Segreteria telefonica. I messaggi lasciati in segreteria ti arrivano per email come file audio e restano nella dashboard per 90 giorni. Una trascrizione dei messaggi nell’email per ora non c’è.

Voicebot AI. Un voicebot deve capire la voce di chi chiama, e per farlo usa il riconoscimento vocale o un modello che lavora direttamente sull’audio. Come cambia la conversazione tra le due architetture lo spieghiamo nell’articolo su stitching e tempo reale.

La direzione opposta. Per il messaggio di benvenuto, il menu vocale e la segreteria usi l’ assistente text-to-speech: scrivi il testo e scegli tra più di 99 voci, italiane e internazionali.

Privacy: cosa controllare prima di trascrivere

Una conversazione trascritta contiene dati personali, quindi valgono le regole del GDPR. Prima di scegliere uno strumento controlla dove viene elaborato l’audio, dove restano audio e testo, per quanto tempo e chi può accedervi. Se registri le telefonate, informa chi chiama, per esempio con una frase nel messaggio di benvenuto. In caso di dubbi sulle regole per il tuo settore, chiedi al tuo responsabile della protezione dei dati (DPO) o a un legale.

Vuoi capire meglio la tecnologia? Leggi anche intelligenza artificiale: cos’è e come funziona e cos’è la conversational AI.