Motori

Audiotext trascrive con uno di tre motori, scelto nella scheda Motore delle impostazioni della trascrizione.

	WhisperX	API di Whisper	API di Google
Funziona su	Il tuo computer	Server di OpenAI	Server di Google
Internet	Solo per scaricare i modelli	Necessaria	Necessaria
Costo	Gratis, senza limiti	A pagamento	Livello gratuito (60 min/mese), o a pagamento con una chiave API
Rileva la lingua	✓	✓	✗
Traduce	✓	✓	✗
Marcatori temporali	✓	Dipende dal modello	✗
Identifica i parlanti	✓ (token di Hugging Face)	gpt-4o-transcribe-diarize	✗
Tempi per parola	✓	whisper-1	✗
Testo dal vivo	✓	✗	✗
Parole a bassa affidabilità	✓ (tempi per parola)	whisper-1 (segmenti)	✗

WhisperX

WhisperX è un’implementazione veloce di Whisper di OpenAI che funziona sul tuo computer, quindi il tuo audio non lo lascia mai. Funziona sulla CPU o, molto più velocemente, su una GPU NVIDIA con CUDA o sulla GPU di un Mac con Apple Silicon.

Modello

I modelli più grandi sono più precisi, ma più lenti e usano più memoria. Il modello viene scaricato al primo utilizzo.

Modello	Parametri	VRAM necessaria
tiny, tiny.en	39 M	~1 GB
base, base.en	74 M	~1 GB
small, small.en	244 M	~2 GB
distil-small.en	166 M	~2 GB
medium, medium.en	769 M	~5 GB
distil-medium.en	394 M	~3 GB
large-v1, large-v2, large-v3	1550 M	<8 GB
large-v3-turbo	809 M	~6 GB
distil-large-v2, distil-large-v3, distil-large-v3.5	756 M	~5 GB

• large-v2 è il predefinito, perché large-v3 tende ad allucinare e ripetere il testo più spesso, soprattutto in alcune lingue come il giapponese, e omette più punteggiatura.
• large-v3-turbo è una versione ridotta di large-v3, molto più veloce e quasi altrettanto precisa.
• I modelli che terminano con .en (tiny.en, base.en, small.en, medium.en) e quelli distillati (distil-small.en, distil-medium.en, distil-large-v2, distil-large-v3, distil-large-v3.5) trascrivono solo l’inglese. Sono più veloci dei modelli multilingue della stessa dimensione.

Consiglio

Per provare Audiotext rapidamente, scegli tiny o small. Per la migliore qualità, usa large-v2 o large-v3-turbo su una GPU.

Su un Mac

Sui Mac con Apple Silicon, MLX Whisper trascrive sulla GPU, molto più velocemente che sulla CPU. Poi WhisperX allinea le parole e identifica i parlanti sulla CPU, come sempre, quindi le trascrizioni mantengono i tempi per parola, le valutazioni e i parlanti.

• La versione MLX del modello viene scaricata al primo utilizzo.
• distil-small.en, distil-large-v2 e distil-large-v3.5 non hanno una versione MLX, quindi funzionano sulla CPU.
• Il testo dal vivo funziona sempre sulla CPU.
• Tipo di calcolo e Dimensione del batch non si applicano sulla GPU, perché MLX calcola sempre a mezza precisione e senza batch.
• Per trascrivere sulla CPU, attiva Usa la CPU in Preferenze → Trascrizione.

Opzioni avanzate

Si trovano in Preferenze → Trascrizione → WhisperX. Cambiale solo se hai problemi o sai cosa stai facendo: una GPU senza memoria può bloccare il sistema.

• Tipo di calcolo: la precisione dei numeri del modello. float16 è più veloce sulle GPU NVIDIA (il predefinito con CUDA). int8 usa meno memoria ed è il predefinito sulla CPU, perché molte CPU non supportano float16 in modo efficiente. float32 è il più preciso, per GPU con più di 8 GB di VRAM.
• Dimensione del batch: quante parti dell’audio vengono elaborate insieme (8 per impostazione predefinita). Non cambia la qualità, solo la velocità. Abbassala se finisci la memoria; si consiglia fino a 16.
• Usa la CPU: esegue WhisperX sulla CPU. È sempre attiva se non è stata trovata una GPU (una GPU NVIDIA con CUDA, o la GPU di un Mac con Apple Silicon).

API di Whisper

Usa la API di trascrizione vocale di OpenAI. È pensata per i computer che non riescono a eseguire WhisperX in modo fluido, e richiede una chiave API di OpenAI (consulta Chiavi API).

Modello	Marcatori temporali	Parlanti	Note
whisper-1 (predefinito)	✓	✗	Si può riprodurre segmento per segmento e sottotitolare. Traduce in inglese. Valuta ogni segmento, per rivedere quelli a bassa affidabilità.
gpt-transcribe	✗	✗	Più preciso, ma senza marcatori temporali.
gpt-4o-transcribe-diarize	✓	✓	Identifica i parlanti. Non usa le parole chiave né la descrizione.

Le traduzioni in inglese sono sempre fatte da whisper-1, l’unico modello che traduce.

Gli audio lunghi vengono divisi in parti di massimo 10 minuti, tagliate in un silenzio per non spezzare alcuna parola, perché la API rifiuta i file più grandi di 25 MB. Con whisper-1, la fine di ogni parte viene data come contesto alla successiva; con gpt-4o-transcribe-diarize, un campione della voce di ogni parlante viene inviato con le parti successive, così mantengono le loro etichette.

Opzioni

• Formato della risposta (scheda Output, per le cartelle): text (predefinito), json, verbose_json, srt o vtt. I sottotitoli e verbose_json richiedono un modello con marcatori temporali.
• Temperatura (Preferenze → Trascrizione): tra 0 e 1. Valori alti come 0,8 rendono il risultato più casuale, valori bassi come 0,2 più mirato. Con 0 (predefinito), il modello la aumenta automaticamente quando serve.
• Marcatori temporali delle parole (Preferenze → Trascrizione): se whisper-1 restituisce anche i marcatori temporali di ogni parola, per evidenziarla durante la riproduzione. Richiede più tempo. Attivo per impostazione predefinita.

API di Google

Usa la API Speech-to-Text di Google. Non punteggia le frasi (Audiotext aggiunge la punteggiatura), e la sua qualità è inferiore a quella di Whisper, quindi le trascrizioni richiedono spesso correzioni. Non può rilevare la lingua né tradurre, e restituisce testo semplice senza marcatori temporali.

Senza chiave API si usa il livello gratuito, limitato a 60 minuti al mese. Per estenderlo, imposta una chiave API di Google. Google addebita il suo utilizzo, di cui Audiotext non è responsabile.