Dieci minuti di parlato trasformati in testo in pochi secondi sembrano utili. Prima di applaudire, però, vorremmo leggere la trascrizione.

Tether, l’azienda dietro la stablecoin USDT, ha pubblicato un modello di riconoscimento vocale chiamato QVAC TranscribePsy. Gli sviluppatori possono usarlo per creare applicazioni che elaborano le registrazioni direttamente sul dispositivo, senza inviare l’audio a un server remoto.

Togli gli occhiali intelligenti, i robot umanoidi e le grandi promesse sulla privacy, ed ecco l’annuncio: un software che trascrive le registrazioni sul tuo dispositivo. Tenere le conversazioni lontane dai server altrui è un vantaggio concreto. Non ci dice nulla su quanto sarà accurata la trascrizione.

La velocità è solo metà della storia

Conta quanto lavoro serve per correggere il testo. Una vera riunione raramente segue un copione ordinato. Le persone borbottano, si interrompono e citano nomi sconosciuti. Sbagliare un solo numero può pesare più di dieci virgole mancanti.

Tether pubblica effettivamente dei risultati sulla precisione. Nei suoi test, il modello a 25 lingue registra un tasso di errore sulle parole dell’8,02% su Open ASR e del 21,56% su Common Voice. I risultati provengono da insiemi di dati diversi e non vanno trattati come misure intercambiabili della precisione.

Sono numeri da considerare. Non ci dicono quante correzioni richiederà la trascrizione della tua prossima riunione. Non abbiamo testato il modello in modo indipendente. Se bisogna rimettere mano a gran parte del testo, la maggiore velocità ti fa soltanto arrivare prima al lavoro di correzione.

Che cosa manca nel conto di 1,65 secondi

Tether dichiara che il modello trascrive dieci minuti di audio in 1,65 secondi su un iPhone 17 Pro Max. La documentazione tecnica aggiunge una precisazione importante: il dato esclude un avvio a freddo di 12,7 secondi, durante il quale il modello viene preparato all’esecuzione.

Quel tempo di avvio non si ripete per ogni registrazione. Il tempo di 1,65 secondi si riferisce all’elaborazione a modello già pronto, non all’intera attesa dopo un avvio a freddo. È anche un risultato ottenuto su un telefono specifico, non una promessa valida per qualsiasi modello.

La trascrizione in diretta manca ancora

Nonostante tutti i discorsi sull’interazione in tempo reale, le FAQ tecniche ufficiali spiegano che questa versione elabora una registrazione o un intervento solo quando è terminato. Il riconoscimento continuo è ancora in sviluppo.

Le versioni per smartphone pronte all’uso supportano otto lingue. Quella a 25 lingue, che include il russo, è una versione separata per computer e server. Il supporto linguistico più ampio non si estende alle versioni mobili disponibili.

Ora proviamo una conversazione vera

C’è qualcosa che vale la pena provare: modelli scaricabili, elaborazione locale, risultati dei test pubblicati e una licenza Apache 2.0 indicata nella scheda del modello. Gli sviluppatori hanno un software concreto con cui lavorare.

Ora prendete una conversazione con rumore di fondo e persone che si interrompono. Pubblicate la trascrizione, contate le correzioni e confrontate il risultato con uno strumento già esistente, usando la stessa registrazione. Un software di trascrizione si guadagna il suo posto facendoci risparmiare lavoro. I robot possono aspettare.