Whisper o Deepgram per l’italiano: locale o streaming

Per file registrati in italiano che devono restare sulla propria infrastruttura, Whisper eseguito localmente è la scelta più diretta. Se il testo deve arrivare mentre una persona parla, Deepgram offre Nova-3 per l’italiano sia in batch sia in streaming. La distinzione decisiva è quando serve la trascrizione e dove può essere elaborato l’audio.

Whisper lascia scegliere quante risorse dedicare ai file: il repository ufficiale indica circa 2 GB di memoria video per small, 6 GB per turbo e 10 GB per large. Sono requisiti indicativi, non tempi di consegna per una registrazione italiana. Deepgram evita di gestire localmente il motore di riconoscimento, ma richiede l’invio dell’audio al servizio e una connessione adatta al flusso scelto.

Registrazioni complete: il vantaggio del batch locale

Interviste, riunioni e archivi già registrati possono essere accodati e trascritti dopo la cattura. In questo scenario Whisper permette di mantenere file e risultati nell’ambiente gestito dall’organizzazione e di scegliere un modello in base alle risorse disponibili. La consegna immediata conta meno della capacità di elaborare il volume previsto senza interrompere altri lavori.

Il costo operativo comprende più della sola esecuzione del modello. Occorrono spazio per audio e trascrizioni, capacità di calcolo nei periodi di carico, gestione degli errori e revisione del testo. Un modello leggero può liberare risorse, ma un risparmio nel tempo di calcolo perde valore se l’audio difficile richiede molte correzioni manuali. È una valutazione diversa da quella di una diretta, nella quale una trascrizione accurata consegnata solo alla fine può arrivare troppo tardi.

Dirette e cambio di lingua: che cosa offre l’API

Per sottotitoli in tempo reale, chiamate e applicazioni vocali, Deepgram riceve audio in streaming e restituisce risultati durante il parlato. Questo riduce il lavoro necessario per collegare una sorgente audio a un servizio di trascrizione continua. Whisper può essere inserito in un sistema che elabora segmenti via via acquisiti, ma segmentazione, invio dei blocchi e presentazione del testo durante la conversazione diventano parte dell’implementazione da gestire.

La lingua va configurata in base alla conversazione. Per parlato prevalentemente italiano, language=it indica esplicitamente la lingua; senza un parametro linguistico, Deepgram usa l’inglese come impostazione predefinita. language=multi serve quando i partecipanti alternano davvero lingue supportate, esigenza diversa dalla presenza occasionale di nomi stranieri. Per un agente vocale che deve riconoscere la fine del turno di parola esiste anche Flux: è un modello Deepgram distinto da Nova-3, quindi le sue funzioni non vanno attribuite alla configurazione scelta per una normale trascrizione.

Perché il WER non dà un vincitore universale

Il WER, tasso di errore per parola, confronta una trascrizione con un testo di riferimento contando parole sostituite, omesse o aggiunte. Nel benchmark su file condivisi, Deepgram Nova-3 registra il 2,50% su LibriSpeech test-clean e il 16,13% su Earnings-22; Whisper large-v3-turbo eseguito tramite WhisperKit registra rispettivamente l’1,93% e il 12,35%. Il primo insieme contiene parlato inglese letto e pulito, mentre il secondo comprende audio più difficile di conferenze finanziarie.

Questi valori descrivono le configurazioni testate, compresa l’implementazione WhisperKit usata per Whisper; non sono una misura dell’italiano né di ogni installazione locale possibile. Nello stesso benchmark l’ordine di altri servizi cambia passando dall’audio pulito a quello difficile. Perciò una graduatoria costruita su letture nitide può orientare male la scelta per telefonate, voci sovrapposte o parlato spontaneo.

Per confrontare i due motori su un impiego italiano, il dato utile sarebbe il WER ottenuto sugli stessi file rappresentativi, con la stessa trascrizione di riferimento e criteri di segmentazione coerenti. Accenti, rumore, termini specialistici e passaggi di lingua dovrebbero riflettere le registrazioni da trattare. Questa è una regola di confronto, non il risultato di un test italiano: i numeri pubblicati sopra non consentono di proclamare il motore più accurato per quel mercato.

Audio sensibile: controllo locale e trattamento tramite API

Quando l’audio non può lasciare l’infrastruttura scelta dall’organizzazione, l’esecuzione locale di Whisper offre un percorso compatibile con quel vincolo. Restano da proteggere copie temporanee, trascrizioni e accessi alle macchine, ma non occorre inviare il contenuto a un servizio esterno. È una differenza operativa che può decidere la scelta anche se un’altra configurazione risultasse più veloce su una certa registrazione.

Per Deepgram, conservazione e area di trattamento sono impostazioni separate. La documentazione sui dati indica che le richieste partecipano per impostazione predefinita al programma di miglioramento dei modelli; con mip_opt_out=true, audio e trascrizione restano solo per il tempo necessario a elaborare la richiesta. Se il trattamento deve restare nell’Unione europea, occorre anche usare l’endpoint regionale api.eu.deepgram.com. I metadati delle richieste e i log d’uso continuano a essere registrati anche con l’esclusione dal programma.

Prezzo per minuto e costo del lavoro completo

Il listino Pay As You Go indica per Nova-3 monolingue 0,0043 dollari al minuto sui file preregistrati e 0,0048 dollari al minuto in streaming alla tariffa promozionale mostrata; per la versione multilingue indica rispettivamente 0,0052 e 0,0058 dollari al minuto. Sono prezzi del servizio, soggetti a variazioni, e non comprendono da soli l’integrazione, la revisione delle trascrizioni o eventuali funzioni aggiuntive.

Whisper eseguito in proprio non applica una tariffa API per minuto, ma hardware, energia, manutenzione e capacità nei picchi hanno un costo. Un archivio ampio e non urgente può sfruttare risorse già disponibili; una diretta richiede invece che il sistema regga l’audio mentre arriva. Il confronto economico ha senso solo accanto al tempo di consegna richiesto e al lavoro necessario per ottenere un testo utilizzabile.

La scelta nei casi più comuni

Archivio di file con consegna differita: Whisper locale è una buona scelta se sono disponibili risorse di calcolo e si vuole governare direttamente il percorso dell’audio.
Sottotitoli o trascrizione durante una diretta: Deepgram Nova-3 offre lo streaming tramite API, evitando di costruire il servizio di riconoscimento continuo attorno a Whisper.
Audio che non può uscire dall’infrastruttura: Whisper locale soddisfa il vincolo di elaborazione interna. Se è ammesso un fornitore esterno ma serve la permanenza nell’Unione europea, per Deepgram contano insieme endpoint regionale ed esclusione dalla conservazione dei contenuti.
Conversazioni che cambiano lingua: la modalità multilingue di Deepgram risponde al passaggio fra lingue supportate; per parlato italiano stabile, una lingua impostata esplicitamente rende più chiaro anche il confronto con Whisper.