Ricerca sull'Elaborazione del Parlato Italiano: strumenti AI e stato dell'arte nel 2025

Ci sono campi in cui l'italiano ha recuperato terreno sull'inglese in modo quasi impercettibile. Il riconoscimento vocale è uno di questi. Non è che fossimo messi male nel 2020, è che eravamo messi male in termini relativi. I sistemi funzionavano, ma chiunque avesse provato la stessa demo in inglese e poi in italiano aveva la sensazione netta di usare due prodotti diversi.

Quella distanza si è ridotta. Non è sparita, ma oggi ci sono strumenti open source che trascrivono l'italiano meglio di quanto facessero i sistemi commerciali tre anni fa. Questa è la mappa di dove siamo arrivati, cosa c'è dietro e cosa manca ancora.

Perché l'italiano pone problemi specifici

Il riconoscimento vocale funziona mappando sequenze di suoni su parole. L'italiano ha caratteristiche che complicano questo processo in modi che l'inglese non ha, o ha in misura minore.

Le consonanti geminate sono una di queste. "Pala" e "palla" sono parole diverse per un madrelingua. Per un modello addestrato su lingue senza questo fenomeno, distinguerle richiede un training specifico. La durata della consonante trasporta informazione lessicale, non solo enfasi.

C'è poi la variazione regionale. Non stiamo parlando di dialetti veri, parliamo di come un parlante romano e uno torinese pronunciano le stesse parole standard. Confini di sillaba diversi, vocali aperte e chiuse in posizioni diverse, ritmo prosodico diverso. Un modello addestrato con dati prevalentemente del Centro Italia funziona peggio su parlato del Nord-Est, specie in contesti professionali veloci.

E c'è il parlato spontaneo. Le trascrizioni di parlato letto, cioè leggere un testo ad alta voce, danno WER intorno al 5-8% con i migliori modelli. Il parlato spontaneo, conversazioni reali, telefonate, riunioni, aggiunge riduzioni fonetiche, fillers ("cioè", "dunque", "no?"), sovrapposizioni. Il WER sale anche del 30-40% rispetto al parlato letto.

Whisper: il cambio di paradigma

Settembre 2022. OpenAI rilascia Whisper come open source. Addestrato su 680.000 ore di audio web, 99 lingue. L'italiano non era la lingua principale, ma era inclusa con una quantità di dati sufficiente per risultati seri.

La versione large-v3, rilasciata nel 2023, ha portato il WER sull'italiano a circa 7% su CommonVoice. Per confronto, nel 2021 i migliori sistemi commerciali erano intorno al 12-15% sullo stesso benchmark. Una riduzione dell'errore di circa la metà in 18 mesi.

L'architettura Transformer addestrata end-to-end su coppie audio-testo apprende direttamente a predire testo dalla forma d'onda audio, senza pipeline in più fasi separate. In pratica: gestisce bene il parlato spontaneo, tollera accenti regionali meglio dei predecessori, non richiede adattamento specifico per l'italiano standard.

Puoi usarlo via API OpenAI, come libreria Python locale, o in versione quantizzata su hardware consumer. Un laptop da 16GB di RAM trascrive in italiano in tempo quasi reale con la versione "medium".

Le alternative a Whisper

Faster-Whisper è una reimplementazione ottimizzata con CTranslate2. Stessa accuratezza, velocità fino a 4 volte superiore, footprint di memoria ridotto. Per la live transcription di meeting, è la variante più usata.

MMS di Meta, rilasciato nel 2023, supporta oltre 1.100 lingue. Per l'italiano le performance sono comparabili a Whisper medium con un modello più leggero. Utile in contesti edge o mobile dove il peso del modello conta.

AssemblyAI e Deepgram offrono API commerciali con supporto italiano, speaker diarization, sentiment analysis, rilevamento di argomenti. Il costo per ora di audio trascritto è tra 0,90 e 1,50 euro.

Azure Speech to Text e Google Cloud Speech-to-Text hanno migliorato il supporto italiano negli ultimi due anni. Il vantaggio è l'integrazione nativa con l'ecosistema cloud enterprise e SLA garantiti. Costano di più ma si integrano in workflow aziendali esistenti su Azure o GCP senza attriti.

I dataset della ricerca italiana

Un modello è buono quanto i dati su cui è stato addestrato. Per l'italiano, i dataset pubblici principali sono tre, con caratteristiche molto diverse.

Mozilla CommonVoice Italian è il corpus più accessibile: voci donate da volontari, testi letti ad alta voce, licenza CC0. Conta circa 300 ore di audio validato. Qualità variabile dipende dal microfono e dall'ambiente dei singoli contributori. È il benchmark standard per comparare i modelli.

VoxPopuli Italian, prodotto da Meta Research, contiene 543 ore di sessioni del Parlamento Europeo. Parlato formale, buona qualità audio, bias ovvio verso vocabolario politico-istituzionale. Funziona bene in quel dominio, peggio per conversazioni informali.

MLS Italian (Multilingual LibriSpeech) contiene circa 247 ore di audiolibri italiani. Parlato molto pulito, varietà di voci, ma ancora parlato letto. Utile per addestrare modelli su vocabolario letterario e formale.

Il problema comune a tutti e tre: quasi nessun dataset pubblico italiano contiene conversazioni aziendali spontanee. I corpus di telefonate, riunioni, servizi clienti, esistono nelle aziende private ma non vengono condivisi. Questo è il gap strutturale della ricerca italiana.

Cosa usano le aziende italiane adesso

Il caso d'uso più diffuso, dove l'adozione è già consolidata, è la trascrizione automatica di riunioni. Teams, Zoom e Google Meet offrono tutti trascrizione italiana nativa. Non perfetta, ma per una riunione standard tra manager che parlano italiano regionale standard, funziona abbastanza da ridurre il carico di note manuali.

Il secondo caso è la sottotitolazione automatica. Aziende media, agenzie di comunicazione, creator: il workflow standard è produrre il video, passarlo a Whisper (o un servizio equivalente), correggere il 10-15% degli errori. Il tempo per sottotitolare un video da 30 minuti è calato da 3-4 ore a circa 30 minuti.

Il terzo, con adozione più lenta, è l'analisi delle telefonate di call center. Trascrivere tutte le chiamate, estrarne topic e sentiment, identificare le richieste più frequenti. Alcune grandi aziende italiane lo fanno già. Le PMI sono ancora in fase di valutazione dei costi.

Quello che ancora non funziona bene: gli assistenti vocali italiani nativi. Alexa in italiano è notoriamente inferiore alla versione inglese. Siri migliora ma rimane indietro. Google Assistant è il migliore dei tre, ma la ricerca vocale in italiano su query ambigue ha performance peggiori dell'equivalente inglese.

Dialetti e dominio specifico: il problema irrisolto

Whisper gestisce l'italiano standard. Gestisce discretamente le variazioni regionali. Non gestisce i dialetti veri.

Un'intervista in siciliano stretto, una conversazione in veneziano, un briefing in napoletano tra colleghi: questi scenari producono WER sopra il 40-50% con qualsiasi modello commerciale. Non è un limite tecnico risolvibile in breve, è una questione di dati. I dialetti italiani non hanno corpus pubblici in quantità sufficiente per addestrare modelli.

Il dominio specifico è un problema diverso ma altrettanto concreto. Un chirurgo che descrive una procedura, un avvocato che detta un atto, un tecnico di impianti che documenta un guasto: il vocabolario tecnico italiano di questi contesti non è rappresentato nei dataset standard. Il modello trascrive i suoni correttamente ma sbaglia la forma scritta delle parole tecniche che non ha mai visto.

La soluzione è il fine-tuning su corpus specifici. Con 20-50 ore di audio trascritto nel dominio, è possibile addestrare una versione custom di Whisper base con performance significativamente migliorate su quel vocabolario. Alcune aziende italiane nei settori legale e medico lo stanno già facendo. Il costo totale di un progetto di fine-tuning è nell'ordine di 2.000-8.000 euro, meno di quanto si spende in un anno di correzioni manuali ad alto volume.

Ricerca e cosa cambia nel 2025-2026

Il laboratorio italiano più attivo sul riconoscimento vocale è FBK (Fondazione Bruno Kessler) di Trento, con il gruppo Human Language Technologies. Ha prodotto parte dei dataset pubblici italiani e collabora con IIT su machine translation e speech-to-speech. Sul versante industriale europeo, i lavori di Meta AI Research su MMS e dell'ETH Zurich sono i contributi più rilevanti per le lingue europee minori.

Il trend più importante del 2025 non è il WER che scende, che migliora ma lentamente. È l'integrazione del riconoscimento vocale con modelli linguistici di grandi dimensioni. Non solo trascrivere: capire il contesto, estrarre informazioni chiave, generare un sommario strutturato. Prodotti come Otter.ai, Fireflies.ai e Microsoft Copilot con Meeting Notes sono già in questo spazio, con supporto italiano ancora imperfetto ma in miglioramento rapido.

La direzione è chiara. Tra 18-24 mesi la trascrizione automatica di riunioni in italiano sarà abbastanza precisa da non richiedere revisione umana nella maggior parte dei contesti standard. Le trascrizioni specialistiche (medicina, diritto, ingegneria) richiederanno ancora supervisione, ma il carico di lavoro si ridurrà molto. Chi investe oggi in un corpus interno per il fine-tuning avrà un vantaggio competitivo su chi aspetta che i modelli generalisti migliorino da soli.