BroadRouter

Speech-to-text (riconoscimento vocale)

Aggiornato

Lo speech-to-text, detto anche riconoscimento automatico del parlato (ASR), è la tecnologia che converte l’audio parlato in testo scritto. Un’API speech-to-text riceve un file o uno stream audio e restituisce una trascrizione, di solito a prezzo per minuto di audio. L’accuratezza si misura con il word error rate e varia con accento, dialetto e qualità della registrazione.

Detto anche: speech-to-text, riconoscimento vocale, trascrizione audio, API di trascrizione, da voce a testo, STT, ASR, automatic speech recognition, transcription API, audio transcription, voice to text

Vocali, chiamate e riunioni contengono informazioni che il software non può cercare finché non diventano testo. Lo speech-to-text colma questa distanza.

Come funziona

Hugging Face definisce il riconoscimento automatico del parlato come “the task of transcribing a given audio to text” (traduzione: il compito di trascrivere in testo un dato audio). Un modello ASR moderno converte l’audio in feature, poi genera la sequenza di parole più probabile.

Con un’API compatibile con OpenAI, carichi il file come form multipart su /v1/audio/transcriptions:

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe-arabic \
  -F language=ar \
  -F file=@voice-note.wav

La risposta è un JSON con la trascrizione in text. I provider fissano limiti su dimensione e formati dei file; l’endpoint di OpenAI accetta file fino a 25 MB (secondo la sua guida allo speech-to-text, verificata il 2026-11-15).

Perché è importante

  • L’accuratezza decide il valore. Una trascrizione con nomi o numeri sbagliati può essere peggio di nessuna. L’accuratezza si misura con il word error rate, e cala con accenti, dialetti, voci sovrapposte e audio telefonico.
  • Prezzo per ora di audio. Lo STT è fatturato al minuto di audio, quindi la spesa è facile da prevedere: ore di audio per la tariffa oraria.
  • Privacy. La voce contiene nomi, numeri di telefono e dati sanitari o bancari. Chiedi se audio e trascrizioni vengono conservati; vedi zero data retention.
  • Pipeline. Spesso la trascrizione finisce poi in un LLM, per riassunti, smistamento o estrazione di dati.

Su BroadNet Inference

Modello Lingue Prezzo al minuto All’ora
BroadNet Transcribe Arabic Arabo, dialetti inclusi $0.0042 $0.25
BroadNet Transcribe 14 lingue $0.002 $0.12

Entrambi accettano WAV o MP3 fino a 26.214.400 byte (25 MiB) per file; un file più grande restituisce 413. Invia language=ar per l’arabo, altrimenti può tornare traslitterato in lettere latine. BroadNet riporta il modello arabo in posizione #2 su 37 (dato di settembre 2026; la classifica in tempo reale lo indicava #4 su 39 il 15 novembre 2026) nella Open Universal Arabic ASR Leaderboard. Audio e trascrizioni non vengono conservati.

Altri provider possono costare meno. Il 2026-11-14 la pagina dei prezzi di Soniox indicava circa 0,10 USD all’ora per la trascrizione di file (asincrona) e 0,12 USD all’ora per quella in tempo reale, e la sua lista di lingue include l’arabo. È meno dei $0.25 all’ora di BroadNet Transcribe Arabic, quindi provali entrambi sul tuo audio. Il nostro indice aperto dei prezzi delle API speech-to-text elenca oltre 20 prodotti, con fonte e data per ogni prezzo.

Entrambi i modelli funzionano con il credito iniziale gratuito di $5, che copre circa 1,190 minuti di audio in arabo. Parti dalla guida allo speech-to-text in arabo, converti i file .ogg di WhatsApp con la guida ai vocali e confronta i provider con la guida all’acquisto.

Domande frequenti

Come si misura l’accuratezza dello speech-to-text?

Con il word error rate (WER), la quota di parole che una trascrizione sbaglia rispetto a un riferimento corretto. Più basso è meglio. Misuralo sulle tue registrazioni, perché l’accuratezza varia molto con accento, dialetto e qualità dell’audio.

Come trascrivo file più grandi del limite di dimensione?

Dividi l’audio in parti più brevi, meglio se nelle pause, e trascrivi ciascuna. Anche la compressione in MP3 riduce la dimensione.

Perché a volte l’arabo torna in lettere latine?

Senza un’indicazione della lingua, alcuni modelli traslitterano. Su BroadNet Inference invia language=ar per l’arabo.

Leggi in MarkdownChiedi a ChatGPTChiedi a ClaudeChiedi a Perplexity