Trascrivere riunioni in italiano con AI: precisione, costi e limiti

Un verbale scritto a mano durante una call di quaranta minuti è quasi sempre un riassunto di quello che chi scriveva riusciva a seguire. Da qualche anno la promessa è che se ne occupi il software, e la promessa in parte è mantenuta: trascrivere riunioni in italiano con l’AI oggi funziona, ma non funziona allo stesso modo per tutti i modelli, non costa quello che sembra, e soprattutto non finisce lì. Questo articolo mette in fila i numeri veri, accuratezza misurata, costo orario, dove i sistemi sbagliano sull’italiano parlato, e poi affronta la parte di cui si parla meno: cosa serve perché una trascrizione diventi lavoro effettivamente fatto.

Il problema è più profondo del solo italiano: un’analisi recente di Hugging Face mostra che i modelli ASR imparano a trascrivere il benchmark, non l’audio, e questo spiega perché il WER dichiarato dai vendor si scolla dai numeri reali in produzione.

In questo articolo scoprirai:

• Perché le riunioni sono diventate il collo di bottiglia dell’informazione aziendale
• Come si misura l’accuratezza di una trascrizione: il WER e i suoi trucchi
• Whisper large-v3, AssemblyAI, Speechmatics e Deepgram sull’italiano: i numeri
• Dialetti, accenti e gergo aziendale: dove la trascrizione in italiano sbaglia davvero
• Come misurare la precisione sulle tue riunioni prima di firmare un contratto

Perché le riunioni sono diventate il collo di bottiglia dell’informazione aziendale

Il contesto in cui questi strumenti entrano non è neutro. La ricerca di Microsoft sull’“infinite workday” misura che un lavoratore della conoscenza viene interrotto in media ogni 2 minuti, per circa 275 interruzioni al giorno tra riunioni, mail e chat. Il dato più rilevante per chi valuta la trascrizione è però un altro: il 57% delle riunioni sono chiamate ad hoc, senza invito a calendario. Sono esattamente quelle in cui nessuno ha preparato un ordine del giorno e nessuno prende appunti.

Sempre nel Work Trend Index di Microsoft si legge che circa il 30% delle riunioni attraversa più fusi orari (otto punti in più rispetto al 2021) e che quelle che iniziano dopo le 20 sono cresciute del 16% su base annua, mentre il 48% dei dipendenti e il 52% dei manager dichiara che il proprio lavoro appare caotico e frammentato. Il risultato è un patrimonio informativo che esiste solo nella memoria di chi c’era: decisioni prese, obiezioni sollevate, impegni assunti.

Trascrivere le riunioni non basta: il problema dell’archivio grezzo

La trascrizione automatica è la risposta ovvia, e in effetti risolve la parte meccanica. Ma introduce un problema nuovo: un archivio di testo grezzo che nessuno legge. Trecento pagine di trascritto al mese sono meno utili di due righe di appunti, se non c’è nulla che le attraversi e ne estragga quello che serve. È la differenza tra uno strumento di registrazione e un agente AI che lavora sul contenuto, una distinzione che torna alla fine di questo pezzo, perché è quella che decide se il progetto produce valore o solo storage.

Come si misura l’accuratezza di una trascrizione: il WER e i suoi trucchi

La metrica standard è il Word Error Rate. La documentazione tecnica di Speechmatics sul benchmarking dell’accuratezza la definisce come il numero minimo di modifiche, inserimenti, cancellazioni, sostituzioni, necessarie per far coincidere la trascrizione automatica con quella umana di riferimento, diviso il numero di parole del riferimento. Un WER del 7% significa sette parole sbagliate ogni cento.

Il punto critico è che la normalizzazione applicata prima del calcolo pesa sul WER quasi quanto il modello. La stessa documentazione Speechmatics mostra un caso in cui il testo grezzo produceva un WER del 41% che, dopo aver messo tutto in minuscolo, scritto i numeri in lettere e rimosso la punteggiatura, scendeva all’8%. Nessun modello è migliorato: sono cambiate le regole del confronto.

Perché il WER dichiarato non è il WER che vedrai sulle tue riunioni

L’analisi di Kili Technology sui limiti dei benchmark ASR quantifica lo scarto: tre sistemi commerciali che sul benchmark accademico Switchboard segnavano tra il 10,2% e l’11,6% di WER, su chiamate reali di customer service con gli stessi modelli e la stessa pipeline audio arrivavano tra il 16,5% e il 19,2%. Sei punti di distanza tra il numero pubblicato e la realtà. Nello stesso studio, un singolo modello passava dal 10,18% al 6,43% solo cambiando le convenzioni di scoring, a parità di audio e di pesi.

C’è anche un limite inferiore che vale la pena conoscere prima di pretendere il 100%: secondo la stessa analisi di Kili, i trascrittori umani confrontati fra loro su conversazioni telefoniche non sono d’accordo nel 4,1-4,5% dei casi. Il riferimento “vero” contro cui misuriamo ha già un margine di rumore incorporato.

Trascrivere riunioni in italiano con AI: i numeri di Whisper large-v3, AssemblyAI, Speechmatics e Deepgram

Whisper large-v3 di OpenAI resta il riferimento open source: 1,55 miliardi di parametri, addestrato, secondo la model card ufficiale, su un milione di ore di audio debolmente etichettato più quattro milioni di ore pseudo-etichettate, con supporto per 99 lingue e un WER medio di 7,44 sull’Open ASR Leaderboard. L’italiano rientra tra le lingue meglio supportate, ma OpenAI non pubblica un WER per singola lingua nel materiale di rilascio: la discussione ufficiale del rilascio large-v3 parla genericamente di una riduzione degli errori del 10-20% rispetto a large-v2 su Common Voice 15 e FLEURS.

Il dato più specifico sull’italiano disponibile pubblicamente viene dai benchmark di AssemblyAI: il modello Universal-3.5 Pro dichiara 6,74% di WER sull’italiano, contro un 7,84% globale multilingue, misurato su Common Voice, FLEURS e VoxPopuli. Nella stessa pagina compaiono Speechmatics Enhanced a 8,22% e OpenAI GPT-4o Transcribe a 9,52%. Va detto con chiarezza: è un benchmark pubblicato da una delle parti in causa, quindi va letto come un’indicazione di ordine di grandezza, non come un arbitrato indipendente.

Quanto costa un’ora di trascrizione: il confronto prezzo/ora

I numeri della colonna WER non sono omogenei: alcuni misurano l’italiano, altri una media multilingue, e quelli attribuiti a Speechmatics, Deepgram e gpt-4o-transcribe provengono dai benchmark AssemblyAI, cioè da una delle parti in causa, con i limiti già detti sopra.

I prezzi vengono dai listini ufficiali: Speechmatics indica il piano Pro a $0,129/ora con sconti sopra le 500 ore mensili e opzione on-premise; Deepgram quota Nova-3 multilingue a $0,0052/minuto pay-as-you-go; OpenAI tiene whisper-1 e gpt-4o-transcribe a $0,006 al minuto.

Nella tabella mancano i tool verticali per riunioni, la trascrizione nativa di Teams, di Meet e degli assistenti di meeting commerciali, e l’assenza è deliberata. Quei prodotti non pubblicano un WER per lingua: dichiarano lingue supportate e funzioni (riassunti, action item, diarizzazione), non accuratezza misurata sull’italiano. Spesso, poi, il motore ASR sottostante è uno di quelli già in tabella, per cui confrontarli come se fossero sistemi distinti darebbe una precisione che i dati pubblici non hanno. Su questi strumenti l’unico numero attendibile è quello che misurate voi sul vostro audio, con il protocollo descritto più sotto.

Whisper gratis: quando l’open source costa più dell’API

La risposta alla domanda “esiste un’AI gratuita per trascrivere le riunioni” è tecnicamente sì, e praticamente quasi mai. L’analisi di Gladia sui modelli STT open source quantifica il conto: Whisper large-v3 richiede circa 10 GB di VRAM per istanza e un’istanza GPU adeguata costa tra i 2 e i 4 dollari l’ora. A meno di saturare quella GPU con volumi molto alti, un’API a 0,21 $/ora è più economica. E c’è il resto: i modelli open source arrivano senza diarizzazione (l’attribuzione delle battute ai singoli parlanti), senza redazione dei dati personali, senza streaming in tempo reale e senza infrastruttura di compliance. Costruire la sola diarizzazione, scrive Gladia, richiede tipicamente settimane di lavoro ingegneristico.

Dialetti, accenti e gergo aziendale: dove la trascrizione in italiano sbaglia davvero

Il WER medio nasconde esattamente le cose che rovinano un verbale. La documentazione di Speechmatics è esplicita su un punto scomodo: a livello di settore, le voci femminili e quelle delle persone anziane vengono riconosciute meno facilmente rispetto a quelle maschili e giovani. Sull’accento la forbice è ancora più larga: i dati raccolti da Kili mostrano modelli che passano dal 2,7% di WER su inglese letto standard al 19,7% su parlato con accenti internazionali.

Tradotto sull’italiano reale di una riunione: una call con un fornitore veneto, un responsabile pugliese e un consulente che alterna italiano e inglese tecnico è un caso avverso su tre fronti contemporaneamente. Sul code-switching, il passaggio da una lingua all’altra a metà frase, che in azienda è la norma quando si parla di deployment, churn o pipeline, i benchmark AssemblyAI misurano 7,69% di WER per Universal-3.5 Pro contro 12,22% di Deepgram Nova-3 su coppie linguistiche che includono l’italiano.

Gergo aziendale e nomi propri: dove la trascrizione in italiano perde valore

Gli errori si concentrano sui nomi propri e sul vocabolario specialistico, cioè proprio sulle parole che rendono utile un verbale: nell’analisi di Kili sui failure mode, nei domini ad alta densità di date, importi e nomi di prodotto il WER misurato sale al 21-23%. Sulle sovrapposizioni di voci, due persone che parlano insieme, cosa che in una riunione italiana succede ogni pochi minuti, il miglior risultato su audio di conversazione libera si ferma a un tcpWER del 33,6%.

Le allucinazioni di Whisper: l’errore che il WER non misura

L’ultimo fallimento è il più insidioso perché il WER non lo vede: l’allucinazione. Secondo la rassegna di Kili sui failure mode, circa l’1% delle trascrizioni Whisper analizzate conteneva frasi o intere sequenze inventate, mai pronunciate, e il 38% di quel testo inventato conteneva contenuti esplicitamente dannosi. La model card di OpenAI lo ammette apertamente tra i limiti noti, insieme alla tendenza a generare testo ripetitivo in loop sull’audio lungo. Una frase inventata non è un errore di ortografia: è un impegno che nessuno ha preso, scritto in un documento che qualcuno leggerà come verbale.

Come misurare la precisione sulle tue riunioni prima di firmare un contratto

Data la distanza tra benchmark e produzione, l’unico numero che conta è quello misurato sul proprio audio. Il protocollo minimo è più semplice di quanto sembri, e vale la pena eseguirlo durante la trial gratuita anziché dopo.

Serve almeno un’ora di parlato continuo, circa 10.000 parole per lingua, per avere significatività statistica, è la soglia indicata dalla guida al benchmarking di Speechmatics. L’audio deve essere rappresentativo: registrazioni della vostra sala riunioni con il microfono dove sta davvero, non un file pulito registrato apposta. Va prodotta una trascrizione umana di riferimento, e qui la scorciatoia utile è correggere l’output automatico anziché trascrivere da zero, che è più affidabile finché il WER resta sotto il 30% circa.

Le metriche da guardare oltre al WER aggregato

Il WER medio serve a poco: contano l’entity-weighted error rate sui termini critici per il vostro dominio (nomi clienti, codici prodotto, importi), la cpWER che misura l’attribuzione al parlante corretto, i benchmark AssemblyAI dichiarano 30,17% contro il 37,93% di Deepgram, numeri che dicono quanto la diarizzazione sia ancora il punto debole di tutti, e infine la qualità del risultato finale, non del testo intermedio.

Una raccomandazione sopra tutte, ripresa dall’analisi di Kili sui failure mode: una revisione fatta senza riascoltare la fonte è correzione di bozze, e la correzione di bozze non intercetta l’invenzione. Se validate una trascrizione leggendola soltanto, le allucinazioni passano tutte.

La trascrizione è il primo strato: cosa serve perché una riunione diventi lavoro fatto

Qui sta il salto che la maggior parte dei progetti non fa. Un file di testo con i timestamp e i nomi dei parlanti è materia prima. Il valore si crea nello strato sopra: un sistema che legge il trascritto, distingue una decisione presa da un’ipotesi scartata, estrae gli impegni con il responsabile e la scadenza, e li scrive dove il lavoro succede davvero.

Tecnicamente è un lavoro da modello linguistico guidato da istruzioni precise, e la qualità dipende in modo diretto da come sono scritte quelle istruzioni, che è il mestiere del prompt engineering applicato a un caso reale e non a un esercizio. Serve inoltre memoria: un agente che riassume la riunione di oggi senza sapere cosa si era deciso tre settimane fa produce riassunti corretti e inutili. È il caso d’uso classico per un’architettura RAG, dove il modello recupera dal vostro archivio i verbali precedenti pertinenti prima di scrivere.

Dall’action item al ticket: l’integrazione con i tool aziendali

Un action item che resta nel riassunto è un action item perso. Il punto d’arrivo è la scrittura automatica nel CRM, nel project management, nel ticketing, le integrazioni con i software aziendali sono la parte che trasforma un riepilogo in un processo. È esattamente il territorio degli agenti AI, e la scelta tra prendere uno strumento pronto e costruirne uno cucito sui propri processi è la decisione economica centrale: l’abbiamo analizzata in dettaglio nel confronto tra agenti AI custom e off-the-shelf. La regola pratica: se il vostro flusso post-riunione somiglia a quello di tutti, comprate; se la classificazione degli impegni dipende dal vostro modo di lavorare, il pronto non ci arriva.

Registrare e trascrivere le riunioni di lavoro in Italia: cosa dice la legge

È la domanda che arriva sempre dopo la demo, e in Italia ha una risposta articolata. La sintesi normativa su registrazione delle riunioni su piattaforme di collaborazione individua i punti fermi. La base giuridica realistica è il legittimo interesse dell’articolo 6.1.f del GDPR, previa valutazione comparativa: il consenso è considerato problematico nel rapporto di lavoro per lo squilibrio di potere tra le parti, e resta valido solo se davvero libero.

Il secondo vincolo è italiano e spesso dimenticato: come ricorda la stessa analisi, l’articolo 4 dello Statuto dei lavoratori (Legge 300/1970) impone, per gli strumenti da cui possa derivare controllo a distanza dell’attività, l’accordo con le rappresentanze sindacali o l’autorizzazione dell’Ispettorato del Lavoro. Un sistema che registra e archivia ogni riunione va valutato sotto questa lente prima dell’attivazione, non dopo.

Gli adempimenti privacy prima di attivare la trascrizione automatica

Informativa ex art. 13 comunicata preventivamente e ripetuta a voce all’inizio della riunione; iscrizione nel registro dei trattamenti; tempi di conservazione commisurati alla finalità con cancellazione programmata; e una DPIA, richiesta quando il trattamento impiega nuove tecnologie o intelligenza artificiale su soggetti vulnerabili come i dipendenti, che è precisamente il nostro caso. Sulla trascrizione automatica si innesta infine il quadro dell’AI Act, recepito in Italia con la Legge 132/2025, che secondo l’analisi dei rischi legali dell’AI per la trascrizione delle videocall aggiunge l’obbligo di informare il lavoratore sulla logica del sistema e sui potenziali impatti discriminatori. Non sono formalità: sono i motivi per cui l’opzione on-premise di alcuni fornitori vale il prezzo più alto.

Perché un agente per le riunioni non si installa, si innesta: l’onboarding

Tutto quello che precede spiega perché in MIMIR trattiamo questo tipo di progetto come un servizio e non come un prodotto da consegnare. La differenza è concreta. Il vocabolario personalizzato, i nomi dei vostri clienti, dei prodotti, degli acronimi interni, abbassa il WER proprio dove pesa di più, ma qualcuno deve costruirlo leggendo i vostri documenti. La classificazione degli action item deve rispecchiare come lavorate voi. L’integrazione con i sistemi va negoziata con chi li amministra. Il WER va misurato sul vostro audio, non su Common Voice.

Le otto settimane di onboarding di un agente per le riunioni

Per questo l’onboarding di un agente per le riunioni è un percorso di otto settimane: raccolta e misurazione su audio reale, costruzione del glossario di dominio, definizione delle regole di estrazione, integrazione con i tool, e infine un periodo di affiancamento in cui l’output viene verificato riascoltando la fonte finché la qualità non è stabile. È lo stesso impianto che descriviamo nella guida all’onboarding di agenti AI in azienda. Il motivo per cui insistiamo è banale e documentato: quando l’AI generativa non produce ROI, il problema quasi mai è il modello, è il pezzo di lavoro che nessuno ha fatto tra il modello e il processo.

Lo stesso metodo vale per l’estrazione dati da fatture con AI: la precisione reale emerge solo dopo un onboarding analogo, misurato in produzione.

Se in azienda avete un’esigenza di questo tipo, verbali che si perdono, decisioni che nessuno ritrova, impegni che non arrivano mai a un ticket, vale la pena partire da una misura sul vostro audio prima che da una scelta di fornitore. Potete scriverci su mimir.bot per una consulenza: guardiamo insieme il caso e vi diciamo se serve un agente costruito su misura o se vi basta uno strumento pronto. Se cercate criteri più generali per orientarvi, abbiamo raccolto quelli che usiamo noi nella guida su come scegliere un partner AI in Italia.

Fonti:

• Microsoft Work Trend Index — Breaking down the infinite workday
• Speechmatics — Accuracy benchmarking (documentazione tecnica)
• Kili Technology — ASR models: WER benchmarks e failure modes 2026
• OpenAI Whisper large-v3 — model card ufficiale su Hugging Face
• OpenAI Whisper — discussione ufficiale del rilascio large-v3
• AssemblyAI — benchmark di accuratezza per lingua
• Speechmatics — listino prezzi ufficiale
• Deepgram — listino prezzi ufficiale
• OpenAI — pricing delle API (documentazione sviluppatori)
• Gladia — i migliori modelli speech-to-text open source
• IusPrivacy — registrazione delle riunioni su Teams e piattaforme di collaborazione
• IusGate — AI per la trascrizione delle videocall: rischi legali