Quanto è accurata la trascrizione IA per lingua? Benchmark WER per lingua (2026)
La precisione della trascrizione IA varia enormemente in base alla lingua. Abbiamo raccolto i tassi di errore sulle parole per lingua dal benchmark FLEURS del paper Whisper: quali lingue sono vicine al livello umano, quali richiedono revisione e quali i modelli generici di fatto non riescono a trascrivere.
La precisione della trascrizione cambia drasticamente da una lingua all’altra. Sul benchmark FLEURS, Whisper di OpenAI ottiene tasso di errore per parola (WER) intorno al 3-5% in inglese, spagnolo, italiano e tedesco, valori a una cifra alta per lingue con risorse medie come olandese, turco e vietnamita, e oltre il 75% in molte lingue con poche risorse, come amarico, yoruba e birmano, dove un modello generico non riesce di fatto a produrre testo utilizzabile. Il divario dipende dal volume dei dati di addestramento, dalla complessità fonetica e dal sistema di scrittura.
Questa guida presenta WER per lingua raccolti dai risultati FLEURS pubblicati nel paper Whisper (OpenAI, 2022), organizzati per livelli di accuratezza. Se stai valutando la trascrizione per una lingua specifica, o vuoi capire perché un audio in tedesco viene trascritto quasi perfettamente mentre uno in thailandese no, i dati qui sotto spiegano il divario.
Cosa sono questi numeri (e cosa non sono). Tutti i valori qui sotto sono WER di Whisper large-v2 sul benchmark FLEURS, dall’Appendice D.2.4 del paper Whisper, la tabella WER per lingua più completa mai pubblicata da un grande laboratorio. È un modello su un benchmark di parlato letto, non un test live eseguito da noi. Considerali una baseline comparabile, non il miglior caso attuale: sistemi più recenti (Whisper large-v3, NVIDIA Canary e provider specializzati per lingua) ottengono risultati sensibilmente migliori in molte lingue difficili; per esempio, large-v3 riduce il maltese da circa 77% WER a circa 26% di character error rate. Per cinese, giapponese, thailandese, lao e birmano, il paper Whisper inserisce spazi tra i caratteri e riporta il character error rate (CER), quindi quei valori sono già a livello di carattere, non WER a livello di parola. Il coreano usa la normale spaziatura tra parole, quindi il suo valore è un vero WER (gonfiato dalle convenzioni di spaziatura coreane).
In breve: livelli di accuratezza a colpo d’occhio
| Livello | Intervallo WER | Lingue (rappresentative) | Cosa aspettarsi |
|---|---|---|---|
| Livello 1 | sotto ~6% WER | Inglese, spagnolo, italiano, tedesco, giapponese (CER), polacco, russo | Accuratezza quasi umana su audio pulito |
| Livello 2 | ~6-11% WER | Olandese, indonesiano, catalano, francese, turco, svedese, malese, vietnamita | Qualità da produzione, con piccole correzioni |
| Livello 3 | ~11-16% WER | Thailandese, greco, ceco, croato, danese, coreano, romeno, mandarino (CER), arabo | Utilizzabile, ma con revisione manuale significativa |
| Livello 4 | ~16-40% WER | Tamil, hindi, urdu, ebraico, serbo, kannada, marathi, swahili | Qualità da bozza, revisione umana richiesta |
| Livello 5 | ~45% a >100% WER | Nepalese, maltese, yoruba, khmer, lao, bengalese, birmano, amarico | I modelli generici come Whisper falliscono di fatto; servono modelli specializzati |
I numeri sono WER FLEURS di Whisper large-v2 (OpenAI, 2022). Le tabelle per livello riportano i valori esatti e le avvertenze descritte sopra.
Come vengono misurati i benchmark WER
Capire cosa misura ogni benchmark evita l’errore comune di confrontare un punteggio di laboratorio con le prestazioni nel mondo reale.
LibriSpeech (solo inglese) usa registrazioni pulite di audiolibri. È il benchmark comune più facile, quindi i suoi numeri rappresentano il limite inferiore di ciò che un modello può ottenere in condizioni ideali: il WER inglese allo stato dell’arte su LibriSpeech test-clean è circa 1,4-2,7%.
FLEURS (Few-shot Learning Evaluation of Universal Representations of Speech) copre 102 lingue con circa 12 ore di parlato per lingua, usando le stesse frasi in tutte le lingue (traduzioni di contenuti Wikipedia/FLoRes), il che rende significativo il confronto cross-lingua. È il benchmark multilingue più citato e la fonte dei numeri per lingua di questa guida.
Common Voice (Mozilla) contiene registrazioni crowdsourced in oltre 100 lingue. Poiché i parlanti non sono professionisti e registrano in ambienti diversi, il WER di Common Voice è in genere più alto di FLEURS per la stessa lingua e lo stesso modello.
L’audio reale, con accenti, parlanti sovrapposti, rumore di fondo e attrezzatura imperfetta, aggiunge in media 5-15 punti WER a questi numeri di benchmark. Un modello che riporta 5% su FLEURS può dare 10-15% su una tipica registrazione Zoom.
Livello 1: accuratezza molto alta (sotto ~6% WER)
Queste lingue hanno i corpus di addestramento più grandi e ricevono più attenzione dagli sviluppatori di modelli. Su audio pulito, puoi aspettarti trascrizioni pronte per la produzione con modifiche minime.
| Lingua | Whisper large-v2 FLEURS WER | Note |
|---|---|---|
| Spagnolo | 3,0% | Tra i risultati più forti in qualunque benchmark |
| Italiano | 4,0% | Una delle lingue europee meglio coperte |
| Inglese | 4,2% | Lingua di riferimento; la maggior parte dei benchmark si concentra qui |
| Tedesco | 4,5% | Forte sul tedesco standard; i dialetti svizzeri e austriaci peggiorano |
| Giapponese | 5,3% (CER) | Whisper misura il giapponese a livello di carattere; la qualità delle frasi è eccellente |
| Polacco | 5,4% | Eccezionalmente forte per una lingua slava |
| Russo | 5,6% | Buono sul russo standard; gli accenti regionali peggiorano |
Se trascrivi una di queste lingue su audio pulito, il modello conta spesso meno della qualità audio che gli fornisci.
Livello 2: accuratezza alta (~6-11% WER)
Ci sono dati di addestramento significativi, ma con meno volume rispetto al Livello 1 o con maggiore complessità fonetica. La maggior parte dei casi d’uso in produzione funziona bene; aspettati correzioni occasionali di nomi propri e termini tecnici.
| Lingua | Whisper large-v2 FLEURS WER | Note |
|---|---|---|
| Olandese | 6,7% | Beneficia della vicinanza ai dati tedeschi e inglesi |
| Indonesiano | 7,1% | Forte per il suo livello di risorse |
| Catalano | 7,3% | Rende oltre il numero di parlanti grazie a dataset dedicati |
| Francese | 8,3% | Il francese europeo domina i dati di addestramento |
| Turco | 8,4% | La morfologia agglutinante aggiunge complessità |
| Svedese | 8,5% | I corpora nordici sono ben curati |
| Ucraino | 8,6% | Migliorato molto dopo il 2022 con la crescita dei dataset |
| Malese | 8,7% | Condivide caratteristiche con l’indonesiano |
| Vietnamita | 10,3% | Tonale; gli errori di tono sono il principale modo di fallimento |
Livello 3: accuratezza media (~11-16% WER)
Qui la trascrizione IA diventa visibilmente imperfetta. Le trascrizioni sono utilizzabili come prima bozza, ma dovrai correggere diversi errori al minuto, soprattutto su entità nominate e numeri.
| Lingua | Whisper large-v2 FLEURS WER | Note |
|---|---|---|
| Thailandese | 11,5% (CER) | Misurato a livello di carattere nel paper Whisper, perché non ci sono spazi tra le parole |
| Greco | 12,5% | Corpus di addestramento più piccolo rispetto ad altre lingue europee |
| Ceco | 13,3% | Solido nonostante la morfologia pesante |
| Croato | 13,4% | Le caratteristiche comuni alle lingue slave meridionali aiutano |
| Danese | 13,8% | Fonetica difficile, ma ben rappresentato |
| Romeno | 14,4% | Migliora man mano che i dataset crescono |
| Bulgaro | 14,6% | Lingua slava con risorse medie |
| Coreano | 14,3% | La spaziatura delle parole gonfia il WER coreano; la precisione a livello di carattere è molto migliore, ma il paper non pubblica CER coreano |
| Mandarino | 14,7% (CER) | A livello di carattere; più alto della reputazione su parlato letto FLEURS |
| Arabo | 16,0% | Arabo standard moderno; i dialetti egiziano, levantino e del Golfo sono molto più difficili |
Il valore del mandarino sorprende molti: su audio pulito e nel dominio giusto molti strumenti fanno meglio, ma sulla misura standardizzata FLEURS a livello di carattere Whisper large-v2 si colloca nella metà della decina. I modelli più recenti riducono questo divario.
Livello 4: accuratezza bassa (~16-40% WER)
Queste lingue hanno spesso centinaia di milioni di parlanti, ma pochi dati di addestramento etichettati. L’output è una bozza grezza che richiede una revisione umana sostanziale.
| Lingua | Whisper large-v2 FLEURS WER | Note |
|---|---|---|
| Tamil | 17,5% | Lingua dravidica con morfologia complessa |
| Hindi | 21,5% | Alta variabilità tra accenti e code-switching con l’inglese |
| Urdu | 22,6% | Imparentato con l’hindi, ma scritto in alfabeto perso-arabo |
| Ebraico | 27,1% | Scrittura da destra a sinistra, morfologia ricca |
| Serbo | 33,9% | Molto più difficile delle lingue slave vicine su FLEURS |
| Kannada | 37,0% | Famiglia dravidica, sottorappresentata |
| Marathi | 38,3% | Indoario, risorse moderate |
| Swahili | 39,3% | Lingua franca dell’Africa orientale; il dataset sta crescendo |
Per il Livello 4, i flussi ibridi sono in genere l’opzione più efficiente: l’IA produce la prima bozza, un revisore madrelingua la ripulisce.
Livello 5: dove i modelli generici falliscono di fatto (~45% a >100% WER)
Questo è il livello in cui i numeri rassicuranti da "~40-50%" che si vedono altrove diventano molto fuorvianti. Su FLEURS, Whisper large-v2 non produce una bozza grezza ma utilizzabile per queste lingue: produce WER pari o superiori al 75%, spesso oltre il 100%, cioè più errori che parole. Senza specializzazione, sono di fatto non trascrivibili da un modello generico.
| Lingua | Whisper large-v2 FLEURS WER | Note |
|---|---|---|
| Nepalese | 47,1% | Al limite; richiede revisione pesante |
| Maltese | 76,6% | large-v3 lo migliora drasticamente (~26% CER) |
| Yoruba | 94,8% | Tonale; large-v3 arriva a ~49% CER, ancora difficile |
| Khmer | 99,7% | Whisper large-v2 produce poco output utilizzabile |
| Lao | 101,5% | Di fatto non trascrivibile con large-v2 |
| Bengalese | 104,1% | Base di parlanti enorme, ma Whisper large-v2 fallisce; large-v3 CER ~34% |
| Birmano | 115,7% | Di fatto non trascrivibile con large-v2 |
| Amarico | 140,3% | Più errori che parole; serve un modello specializzato |
Qui contano due cose. Primo, i modelli più recenti e specializzati chiudono gran parte del divario: Whisper large-v3 e i provider che fanno fine-tuning su dati specifici per lingua possono trasformare un risultato large-v2 inutilizzabile in una bozza editabile (maltese e bengalese sono buoni esempi). Secondo, il singalese non è incluso nella valutazione FLEURS di Whisper, quindi qualunque cifra specifica di "WER singalese" per Whisper non è supportata da questo benchmark; considera quella lingua non testata qui.
Cosa determina il divario di accuratezza
Il volume dei dati di addestramento è il singolo predittore più forte. Whisper è stato addestrato su 680.000 ore di audio, in maggioranza inglese; le lingue con più risorse ricevono decine di migliaia di ore, quelle con meno risorse poche centinaia. Più dati riducono nettamente il WER, con rendimenti decrescenti quando una lingua è già ben coperta.
La complessità fonetica e del sistema di scrittura crea limiti anche quando i dati esistono. Le lingue tonali (mandarino, vietnamita, thailandese, yoruba) obbligano il modello a distinguere parole simili tramite l’altezza del tono. Le lingue agglutinanti (turco, finlandese, swahili) costruiscono parole lunghe da molti morfemi, cosa che interagisce male con la tokenizzazione. I sistemi logografici e senza spazi (cinese, giapponese, thailandese) spostano la metrica corretta da WER a character error rate.
La corrispondenza con il dominio audio conta quanto la lingua. Un modello addestrato soprattutto su audio letto rende peggio su conversazioni spontanee nella stessa lingua: per questo i numeri FLEURS su parlato letto sono un pavimento, non una promessa per le tue registrazioni di riunioni.
Come migliorare la precisione nelle lingue più difficili
Migliora prima l’audio. Riduzione del rumore, isolamento dei parlanti e livelli costanti possono tagliare diversi punti WER sull’audio reale; la nostra guida all’audio rumoroso copre gli interventi più rapidi.
Fornisci contesto di dominio. Molte API di trascrizione accettano elenchi di nomi propri, termini tecnici o frasi probabili; vocabolari orientati al dominio riducono gli errori di sostituzione su gergo ed entità nominate.
Scegli il modello giusto per ogni lingua. Whisper è leader in alcune lingue, NVIDIA Canary o provider specializzati in altre (in particolare giapponese, coreano e arabo). Se una lingua è critica per il tuo workflow, vale la pena testare 2-3 provider su un campione rappresentativo.
Usa un revisore umano per l’ultimo miglio. Dal Livello 3 in giù, un revisore madrelingua che corregge una bozza IA è varie volte più veloce della trascrizione da zero e porta la precisione finale ben oltre il 98%.
Strumenti come Vocova trascrivono oltre 100 lingue con rilevamento automatico della lingua, quindi non devi etichettare i file in anticipo; tuttavia, come mostrano i dati sopra, l’accuratezza realistica dipende comunque dalla lingua con cui lavori.
Domande frequenti
Quale lingua ha la trascrizione IA più accurata?
Inglese, spagnolo, italiano e tedesco guidano il benchmark FLEURS, con circa 3-5% di WER Whisper su parlato letto pulito; il giapponese è vicino se misurato come character error rate. Su audio spontaneo reale, aggiungi 5-15 punti a ciascuno di questi valori.
Quanto è accurato Whisper tra le lingue?
Su FLEURS, Whisper large-v2 resta sotto ~10% WER per le lingue dei Livelli 1-2 di questa guida, si colloca tra la decina e la trentina per i Livelli 3-4, e supera il 75% per un gruppo di lingue con poche risorse (amarico, yoruba, khmer, lao, birmano, bengalese) dove di fatto non riesce a trascrivere. Il più recente large-v3 migliora molto i casi più difficili, ma non è stata pubblicata una tabella WER large-v3 esatta per lingua.
Quale WER è considerato "buono"?
Per la maggior parte degli usi aziendali, un WER sotto il 10% produce una trascrizione più rapida da leggere e correggere rispetto all’audio; sotto il 5% è vicino al livello umano. Sopra il 20% serve una correzione manuale significativa prima che il testo sia utilizzabile come contenuto pubblicato. Vedi tasso di errore per parola (WER) per il calcolo della metrica.
Perché la mia trascrizione in tedesco è più accurata di quella in thailandese?
Il tedesco è una lingua con molte risorse (~4,5% WER FLEURS), molti dati e caratteristiche condivise con l’inglese. Il thailandese è tonale e scritto senza spazi tra le parole, con meno dati etichettati: il suo WER è circa 11-12%, e la metrica corretta è il character error rate. Anche i migliori modelli mantengono un divario significativo tra le due lingue.
I benchmark FLEURS sono comparabili all’audio reale?
Non direttamente. FLEURS è pulito, letto invece che spontaneo e registrato professionalmente. L’audio reale (riunioni, telefonate, interviste) produce in genere 5-15 punti WER in più rispetto a FLEURS per la stessa lingua e lo stesso modello, quindi usa questi numeri per confrontare le lingue, non per prevedere il risultato esatto.
Sintesi
Nel 2026 la precisione della trascrizione IA dipende da lingua, qualità audio e adeguatezza del modello al compito. Sulla baseline Whisper FLEURS, le lingue del Livello 1 raggiungono una precisione quasi umana su audio pulito; il Livello 3 richiede revisione; e una fascia di lingue con poche risorse è di fatto non trascrivibile da modelli generici senza specializzazione, molto più difficile dei numeri rassicuranti a due cifre spesso citati. I modelli più recenti e specifici per lingua riducono questi divari, soprattutto nella fascia più difficile.
Se stai scegliendo una pipeline di trascrizione, la cosa più utile è testare la tua lingua e il tuo dominio audio specifici su 2-3 campioni rappresentativi. I benchmark ordinano le lingue; non predicono il tuo risultato esatto.
Fonti e approfondimenti
- OpenAI, "Robust Speech Recognition via Large-Scale Weak Supervision" (paper Whisper, 2022) - WER FLEURS per lingua, Appendice D.2.4 / Tabella 13
- Conneau et al., "FLEURS: Few-shot Learning Evaluation of Universal Representations of Speech" (2022)
- FLEURS-SLU (2025) - CER per lingua di Whisper large-v3, usato qui per le note sulle lingue con poche risorse
- Mozilla Common Voice datasets
- tasso di errore per parola (WER)
- come l'AI sta trasformando la comunicazione multilingue
