Speech-to-text

L’acquisizione audio trasforma il suono in un flusso di campioni. L’estrazione delle caratteristiche converte quei campioni in una rappresentazione che il modello può leggere, di solito uno spettrogramma. Il modello di riconoscimento trasforma quella rappresentazione in testo, a volte passando per fonemi o token di sottoparole. La post-elaborazione trasforma l’output del modello in qualcosa che una persona scriverebbe: punteggiatura, maiuscole, numeri in cifre e, negli strumenti migliori, rimozione degli intercalari e tono.

Quando si dice che uno strumento «usa l’IA», quasi sempre si intende la terza fase. La quarta è quella dove sta gran parte della qualità nell’uso quotidiano, ed è la fase che il marketing tende a saltare.

Lo STT nel cloud invia l’audio a un server, esegue lì un modello grande e restituisce il testo. Può usare modelli troppo grandi per un portatile e funziona su qualsiasi dispositivo con una connessione. Lo STT sul dispositivo esegue il modello sul tuo hardware, quindi l’audio non lascia mai il computer, funziona offline e non c’è nessun viaggio di andata e ritorno. Su Apple silicon il divario di precisione si è ridotto al punto che la scelta riguarda la privacy e il costo molto più della qualità.

«Speech-to-text» in una scheda tecnica di solito indica il modello grezzo. «Dettatura» indica l’esperienza completa, compreso il punto in cui arriva il testo. «Trascrizione» indica i file. «Streaming» indica che le parole appaiono mentre parli e non dopo. «Locale» o «sul dispositivo» indica che l’audio resta a casa. Sapere quale fase descrive ogni parola è quasi tutto ciò che serve per leggere un confronto in modo onesto.

Ogni Mac ha lo speech-to-text (da voce a testo) integrato. Apple lo chiama Dettatura, e scrive in qualsiasi campo di testo in cui si trova il cursore. Puoi configurarlo in circa un minuto.

1. 01 Scegli menu Apple → Impostazioni di Sistema, poi fai clic su Tastiera nella barra laterale.
2. 02 Vai a Dettatura e attivala.
3. 03 Fai clic sul menu a comparsa accanto a Sorgente microfono e scegli il microfono che vuoi. Con Automatico il Mac ascolta il dispositivo che è più probabile tu stia usando.
4. 04 Fai clic sul menu a comparsa Scorciatoia e scegli una scorciatoia per avviare Dettatura. Scegli Personalizza per crearne una che non è nell’elenco.
5. 05 Fai clic in un campo di testo qualsiasi, premi la scorciatoia e parla.
6. 06 Fermala quando hai finito. La dettatura si interrompe anche automaticamente quando non rileva parlato per 30 secondi.

Dipende dall’audio più di quanto la maggior parte delle persone si aspetti. NVIDIA pubblica i risultati del suo modello open Parakeet TDT 0.6B v3 su otto set di test in inglese, e lo stesso modello ottiene un word error rate dell’1,93% sul parlato letto e pulito (LibriSpeech test-clean) e dell’11,31% sulle registrazioni di riunioni (AMI).

Anche il rumore sposta il numero. Nella stessa scheda del modello, il tasso medio di errore sulle parole sale dal 6,34% con audio pulito all’11,66% quando il rumore è forte quanto il parlato (un rapporto segnale/rumore di 0). Una stanza silenziosa e un microfono vicino sono il modo più economico per migliorare la precisione.

• Tipo di parlato: le frasi lette sono più facili di una riunione in cui le persone si parlano sopra.
• Rumore di fondo e musica: i tassi di errore salgono man mano che il rumore si avvicina al livello della tua voce.
• Accento e dialetto: la scheda del modello Whisper riporta prestazioni diverse tra accenti e dialetti.
• Lingua: la scheda del modello Whisper riporta una precisione più bassa sulle lingue con meno dati di addestramento.
• Vocabolario: la scheda del modello Parakeet avverte che una parola fuori dal vocabolario del modello difficilmente verrà riconosciuta.

Lo speech-to-text viene elaborato sul dispositivo oppure inviato a un server, e di solito puoi scoprire quale dei due. Per la Dettatura di Apple la risposta è scritta nelle Impostazioni. Per qualsiasi altro strumento, l’elenco dei permessi ti dice quali app possono sentire il microfono.

1. 01 Scegli menu Apple → Impostazioni di Sistema, poi fai clic su Tastiera nella barra laterale.
2. 02 Vai a Dettatura e leggi il testo sotto l’interruttore di Dettatura. Indica se i tuoi input vocali e le trascrizioni vengono elaborati sul dispositivo.
3. 03 Vai in Impostazioni di Sistema → Privacy e sicurezza → Microfono per vedere tutte le app che hanno chiesto di usare il microfono.
4. 04 Disattiva in quell’elenco ogni app che non vuoi che ascolti.
5. 05 Per uno strumento di terze parti, leggi la sua informativa sulla privacy per sapere dove viene elaborato l’audio. L’elenco Microfono mostra chi può ascoltare, non dove va l’audio.