Benchmark di riconoscimento vocale: Deepgram vs. Whisper

Abbiamo confrontato i principali fornitori di riconoscimento vocale (STT), concentrandoci in particolare sulle applicazioni sanitarie. Il nostro benchmark ha utilizzato esempi reali per valutare l'accuratezza della trascrizione in contesti medici, dove la precisione è cruciale.

Risultati del benchmark di riconoscimento vocale

In base ai risultati sia del tasso di errore sulle parole (WER) sia del tasso di errore sui caratteri (CER), GPT-4o-transcribe dimostra la massima accuratezza di trascrizione tra tutti i sistemi di riconoscimento vocale valutati. Anche Deepgram Nova-v3 e Gladia offrono ottime prestazioni, mantenendo bassi tassi di errore in entrambe le metriche.

Metodologia

Dataset

Volevamo valutare le prestazioni dei models sia su campioni piccoli e vari sia su un campione lungo, quindi abbiamo condotto due task:

Task 1: Dati vocali in ambito sanitario

• Numero totale di campioni: 100
• Durata totale: 9 minuti e 25 secondi
• Durata media per campione: 5,65 secondi
• Contenuto: dati vocali sanitari, inclusi terminologia medica, interazioni con i pazienti e discussioni cliniche
• Varietà: parlanti diversi, qualità audio variabile e contesti medici differenti parlati in inglese

Specifiche audio:

• Formato: WAV
• Canali: 1 (Mono)
• Ampiezza campione: 16-bit
• Frequenza di campionamento: 16 kHz
• Bitrate costante: 256 kbps
• Intervallo di durata: da ~4.5 a 11,5 secondi per file

Task 2: Una lezione di anatomia

• Numero totale di campioni: 1
• Durata totale: 8 minuti e 35 secondi
• Contenuto: una lezione di anatomia tenuta da un medico, inclusa terminologia medica
• Varietà: un solo parlante parla in inglese nella prima metà del video; in sottofondo si sente musica.

Specifiche audio:

• Formato: WAV
• Canali: 2 (Stereo)
• Ampiezza campione: 16-bit
• Frequenza di campionamento: 48 kHz
• Bitrate costante: 1536 kbps

Metriche di valutazione

Abbiamo utilizzato il tasso di errore sulle parole (WER) e il tasso di errore sui caratteri (CER) come metriche di valutazione dell'accuratezza della trascrizione. Il tasso di errore sulle parole si calcola come:

WER = (S + D + I) / N

Dove:

• S = numero di sostituzioni
• D = numero di eliminazioni
• I = numero di inserimenti
• N = numero totale di parole nel riferimento

La formula calcola il numero minimo di operazioni a livello di parola necessarie per trasformare l'ipotesi nel riferimento, diviso per il numero di parole nel riferimento. Un WER più basso indica una migliore accuratezza, con 0% che rappresenta una corrispondenza perfetta.

Il tasso di errore sui caratteri (CER) viene calcolato dividendo il numero totale di errori a livello di carattere (inclusi inserimenti, eliminazioni e sostituzioni) per il numero totale di caratteri nel testo di riferimento.

Abbiamo utilizzato le API di riconoscimento vocale per trascrivere i file audio in testo.

La dimensione massima del file accettata in una singola richiesta dai fornitori è mostrata nella tabella:

*Poiché Vosk viene eseguito localmente, non vi è alcun limite alla dimensione del file di input. Tuttavia, file audio lunghi potrebbero superare il limite del beam, causando la perdita di alcune probabilità. Pertanto, si consiglia di dividere i file in segmenti da 1–2 minuti.

Google MedASR funziona anch'esso localmente e non impone un limite massimo alla dimensione del file. Per prestazioni ottimali e una gestione efficiente delle risorse, si consiglia di elaborare i file lunghi in segmenti più piccoli.

Nota: per i fornitori con limiti di dimensione dei file più ridotti (come Google e OpenAI), i file audio più grandi devono essere suddivisi in parti più piccole prima dell'elaborazione. Abbiamo eseguito questa operazione nel Task 2.

Riconoscimento vocale

Il riconoscimento vocale consente ai computer di trascrivere i file audio in testo utilizzando algoritmi di machine learning. Le API di un servizio di trascrizione possono essere utilizzate con vari linguaggi di programmazione per la trascrizione batch. Queste piattaforme supportano sia la trascrizione in tempo reale sia quella asincrona.

La tecnologia di riconoscimento vocale ha numerose applicazioni, tra cui trascrizione, assistenti vocali e traduzione linguistica.

Vantaggi dell'uso del riconoscimento vocale per la trascrizione

• Trascrizione rapida dei file audio
• Risparmio di tempo e fatica
• Trascrizione e traduzione in tempo reale
• Accessibilità per le persone con disabilità

Come funzionano gli strumenti di intelligenza artificiale per il riconoscimento vocale?

Il processo di trascrizione comprende:

• I dati audio vengono caricati o trasmessi in streaming allo strumento di riconoscimento vocale
• Utilizzo di algoritmi di machine learning per analizzare i dati audio e identificare modelli nel parlato
• Lo strumento converte il parlato in testo utilizzando un motore di riconoscimento vocale
• Il testo trascritto viene quindi mostrato all'utente.

FAQ

Non perderti i nostri benchmark e approfondimenti basati sui dati. Il pulsante apre Google; selezionare AIMultiple conferma che desideri vedere AIMultiple più spesso nei risultati di ricerca di Google.

Aggiungi come fonte preferita

Ulteriori letture

• 10+ Servizi di raccolta dati vocali

Cita questo benchmark

Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Alper, Şevval},
  title  = {{Benchmark di riconoscimento vocale: Deepgram vs. Whisper}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/speech-to-text}},
  note   = {AIMultiple. Consultato il 21 agosto 2026}
}

Registro delle modifiche

1 aggiornamenti

2025

1. 20 ott

   Aggiornati i risultati del benchmark nella sezione "Risultati del benchmark".

Cem Dilmegani

Analista principale

Segui

Cem è analista principale presso AIMultiple dal 2017.

Il lavoro di Cem presso AIMultiple è stato citato da importanti testate internazionali tra cui Business Insider, Forbes, Morning Brew e Washington Post, da aziende globali come Deloitte e HPE, da ONG come il World Economic Forum e da organizzazioni sovranazionali come la Commissione europea. [1], [2], [3], [4], [5]

Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, acquirente tecnologico e imprenditore tecnologico. Ha consigliato le aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per più di un decennio. Ha inoltre pubblicato un report McKinsey sulla digitalizzazione.

Ha guidato la strategia tecnologica e gli approvvigionamenti di una società di telecomunicazioni rispondendo direttamente al CEO. Ha inoltre guidato la crescita commerciale dell'azienda deep tech Hypatos, che ha raggiunto ricavi ricorrenti annuali a 7 cifre e una valutazione a 9 cifre partendo da zero in 2 anni. Il lavoro di Cem in Hypatos è stato ripreso da importanti testate tecnologiche come TechCrunch e Business Insider.

Cem interviene regolarmente a conferenze tecnologiche internazionali. Si è laureato come ingegnere informatico presso l'Università di Bogazici e possiede un MBA della Columbia Business School.

Visualizza il profilo completo

Ricercato da

Şevval Alper

Ricercatrice di IA

Segui

Şevval è una ricercatrice di IA presso AIMultiple. Ha precedenti esperienze di ricerca nella generazione di numeri pseudocasuali utilizzando sistemi caotici.
Şevval si concentra su strumenti di programmazione IA, agenti IA e tecnologie quantistiche.

Visualizza il profilo completo

Sii il primo a commentare

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento