Benchmark Speech-to-Text: Deepgram vs. Whisper
Abbiamo confrontato i principali fornitori di speech-to-text (STT), concentrandoci specificamente 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 speech-to-text
Sulla base sia del tasso di errore sulle parole (WER) che del tasso di errore sui caratteri (CER), GPT-4o-transcribe dimostra la massima accuratezza di trascrizione tra tutti i sistemi speech-to-text valutati. Anche Deepgram Nova-v3 e Gladia ottengono buoni risultati, mantenendo bassi tassi di errore in entrambe le metriche.
Metodologia
Dataset
Volevamo valutare le prestazioni dei modelli sia su campioni piccoli e vari che su un campione lungo, quindi abbiamo condotto due task:
Task 1: Dati vocali sanitari
- 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: Diversi parlanti, qualità audio variabile e contesti medici diversificati, 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: ~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; musica in sottofondo.
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 per l'accuratezza della trascrizione. Il tasso di errore sulle parole è calcolato come:
WER = (S + D + I) / N
Dove:
- S = Numero di sostituzioni
- D = Numero di eliminazioni
- I = Numero di inserimenti
- N = Numero totale di parole nella verità di 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 maggiore accuratezza, con lo 0% che rappresenta una corrispondenza perfetta.
Il tasso di errore sui caratteri (CER) è 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 API speech-to-text per trascrivere file audio in testo.
La dimensione massima del file accettata in un singolo invio da ciascun fornitore è mostrata nella tabella:
*Poiché Vosk viene eseguito localmente, non c'è 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 suddividere i file in segmenti di 1–2 minuti.
Anche Google MedASR opera localmente e non impone un limite massimo alla dimensione del file. Per prestazioni e gestione delle risorse ottimali, si consiglia di elaborare i file lunghi in segmenti più piccoli.
Nota: Per i fornitori con limiti di dimensione del file più ridotti (come Google e OpenAI), i file audio più grandi devono essere suddivisi in blocchi più piccoli prima dell'elaborazione. Abbiamo eseguito questa operazione nel Task 2.
Riconoscimento vocale
Il riconoscimento vocale consente ai computer di trascrivere file audio in testo utilizzando algoritmi di machine learning. L'API di un servizio di trascrizione può essere utilizzata con vari linguaggi di programmazione per la trascrizione batch. Queste piattaforme supportano sia la trascrizione in tempo reale che quella asincrona.
La tecnologia di riconoscimento vocale ha numerose applicazioni, tra cui la trascrizione, gli assistenti vocali e la traduzione linguistica.
Vantaggi dell'uso del riconoscimento vocale per la trascrizione
- Trascrizione rapida di file audio
- Risparmio di tempo e fatica
- Trascrizione e traduzione in tempo reale
- Accessibilità per persone con disabilità
Come funzionano gli strumenti AI speech-to-text?
Il processo di trascrizione include:
- I dati audio vengono caricati o trasmessi in streaming allo strumento speech-to-text
- Uso di algoritmi di machine learning per analizzare i dati audio e identificare schemi nel parlato
- Lo strumento converte il parlato in testo utilizzando un motore speech-to-text
- Il testo trascritto viene quindi visualizzato all'utente.
Aggiungi come fonte preferitaFAQ
La trascrizione di registrazioni audio e video può essere utilizzata in:
Assistenti vocali e assistenti virtuali
Traduzione e interpretariato linguistico
Sistemi speech-to-text (ASR) per persone con disabilità
I loro modelli pre-addestrati consentono il riconoscimento vocale automatico (ASR) per file audio e video registrati. Le trascrizioni audio ad alta precisione includono la punteggiatura automatica e il rilevamento degli argomenti.
Un motore open-source o un fornitore di riconoscimento vocale da un servizio con cui la tua azienda già lavora (ad es. Google Cloud, AWS transcribe) può essere scelto come soluzione di trascrizione per le esigenze della tua azienda. Alcuni di essi offrono anche free crediti, ma raccomandiamo cautela riguardo alla sicurezza dei dati.
Un'API speech-to-text può aiutare a trascrivere file audio in testo. Elaborazione e analisi dei dati audio:
I dati audio vengono elaborati utilizzando tecniche come la riduzione del rumore e l'eliminazione dell'eco
I dati audio vengono quindi analizzati utilizzando algoritmi di machine learning per identificare schemi nel parlato
Gli algoritmi utilizzano modelli acustici e modelli linguistici per riconoscere parole e frasi pronunciate
Conversione del parlato in testo utilizzando algoritmi di machine learning:
Gli algoritmi di machine learning sono addestrati su grandi dataset di dati audio e testuali
Gli algoritmi imparano a riconoscere schemi nel parlato e a convertirli in testo
Gli algoritmi possono essere messi a punto e personalizzati per casi d'uso e lingue specifici
Approfondimenti
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 Speech-to-Text: Deepgram vs. Whisper}},
year = {2026},
month = jan,
howpublished = {\url{https://aimultiple.com/speech-to-text}},
note = {AIMultiple. Consultato il 22 Gennaio 2026}
}
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.