Trascrizione audio in testo: quale API scegliere nel 2026

Per la trascrizione audio in testo via API, partirei da Deepgram per un agente vocale, da ElevenLabs Scribe per registrazioni multilingue con indicazione di chi parla e da Speechmatics quando il controllo sull'infrastruttura è decisivo. Anche Voxtral 3 di Mistral merita un posto tra le API da valutare: trascrive file a $0.21 per ora di audio, ma il modello live impone un compromesso sull'attribuzione degli interventi ai parlanti che va previsto nell'architettura.

Prezzi e documentazione dei fornitori verificati il 21 ottobre 2026. Queste raccomandazioni confrontano le funzionalità dichiarate e ne calcolano i costi orari. Non derivano da un benchmark di accuratezza condotto sul campo.

Un'API di trascrizione converte l'audio in testo all'interno di un'applicazione. La prima scelta riguarda il funzionamento del prodotto: può aspettare una registrazione completa oppure deve reagire mentre qualcuno parla? Poi va chiarito quale risultato serve: solo le parole, anche l'indicazione di chi le ha pronunciate oppure un segnale che dica all'agente quando rispondere. Requisiti diversi possono portare a modelli diversi anche dello stesso fornitore.

Per chi cerca un'app già pronta per riunioni o montaggio, il riferimento è il confronto tra i migliori strumenti di trascrizione con IA, dedicato a prodotti come Otter e Descript.

Trascrizione audio in testo: le API a confronto

Prima di confrontare le tariffe orarie, scegli la modalità di elaborazione. Un modello economico per i file non sostituisce automaticamente un sistema di riconoscimento live. E un sistema live non include necessariamente né l'attribuzione ai parlanti né il rilevamento dei turni di conversazione.

Tutti gli importi seguenti sono in USD e si riferiscono alla trascrizione di base. Le tariffe al minuto sono convertite con la formula prezzo al minuto × 60. AssemblyAI, ElevenLabs e Speechmatics pubblicano già le tariffe pertinenti su base oraria, quindi vengono riportate direttamente. Sono esclusi extra facoltativi, imposte, archiviazione, modello linguistico e sintesi vocale. Il confronto considera un solo canale audio elaborato e nessun accordo enterprise negoziato.

Per «streaming» si intende l'acquisizione dell'audio man mano che arriva. Restituire progressivamente il testo di un file già caricato è una funzionalità diversa. La «diarizzazione» attribuisce gli interventi ai diversi parlanti, senza necessariamente identificarli per nome.

Le tariffe al minuto usate per i calcoli sono $0.0035/$0.004/$0.008 per Mistral, $0.0043/$0.0048/$0.0065 per le modalità indicate di Deepgram, le stime di $0.0045/$0.017 per OpenAI e $0.016/$0.003 per Google. Il supplemento Deepgram per la diarizzazione live è di $0.0020/minuto. Per Google Standard viene usata la prima fascia di consumo mensile, senza sconti per grandi volumi.

I dettagli su lingue e funzionalità provengono dalla documentazione dei modelli: matrice linguistica di Mistral, elenco dei modelli Deepgram, guida alla trascrizione di OpenAI, documentazione di Google Chirp 3, guida alle funzionalità ElevenLabs e guida ai modelli Speechmatics. La pagina prezzi di AssemblyAI riporta direttamente il numero di lingue e gli extra per ciascun modello.

Il prezzo in evidenza di Speechmatics può indicare circa $0.12/ora per Melia dopo gli sconti. Il calcolatore riporta invece $0.24/ora per i file senza sconti. La tabella usa questa tariffa di base, senza adesione all'addestramento dei modelli né sconto sui crediti legato ai volumi. Anche le tariffe promozionali di Deepgram vanno ricontrollate prima di approvare un budget.

Sette API, sette motivi diversi per sceglierle

L'ordine parte dal consiglio più generale per gli agenti live e prosegue con alternative adatte a requisiti specifici. Non è una classifica di accuratezza della trascrizione. Lo stesso modello può andare bene per un archivio ed essere inadatto alla chiamata live da cui quell'archivio nasce.

1. Deepgram: da qui partirei per un agente vocale

Deepgram è il primo candidato che valuterei per un agente vocale, perché Flux affianca alla trascrizione segnali sui turni di conversazione. Questi segnali avvisano l'applicazione quando l'interlocutore sembra aver finito di parlare. Per un agente che deve rispondere, è un'informazione più utile di un'altra parola riconosciuta correttamente. Nova-3 è invece la soluzione di trascrizione generale per file registrati, sottotitoli e carichi di lavoro che non richiedono il rilevamento dei turni integrato nel modello.

Immagina un assistente per prenotazioni che sente: «Vorrei un appuntamento venerdì... anzi, lunedì». Una trascrizione parziale aiuta a preparare la risposta, ma non basta per prenotare venerdì. L'applicazione deve distinguere tra parlato ancora in corso, apparente fine del turno e ripresa del turno. La guida rapida di Flux documenta per questa interazione gli eventi EndOfTurn, l'opzionale EagerEndOfTurn e TurnResumed.

Il vantaggio concreto nell'integrazione è poter definire esplicitamente quando l'agente risponde. Anticipa la preparazione solo se puoi annullarla quando l'interlocutore riprende a parlare. Le operazioni con effetti reali, come confermare un appuntamento, devono passare dalla logica decisionale e di conferma dell'applicazione. Anticipare una risposta serve solo se una correzione non si trasforma in un'azione sbagliata.

Ideale per: Agenti vocali live e team che vogliono modelli distinti per la trascrizione generale e per la conversazione.
Punto di forza: Eventi nativi sui turni in Flux; Nova-3 per file e sottotitoli.
Prezzi: Da $0.0043/minuto, cioè $0.258 per ora di audio, per file monolingue con Nova-3; la tabella distingue modelli live ed extra.
Prova gratuita: $200 di credito, senza carta di credito, secondo la pagina prezzi di Deepgram.

Il limite da verificare è la corrispondenza di funzioni e lingue tra i modelli. Flux English è un modello per l'inglese. Flux Multilingual elenca inglese, spagnolo, francese, tedesco, hindi, russo, portoghese, giapponese, italiano e olandese. Il catalogo linguistico più ampio di Nova non rende Flux adatto a tutte le lingue che il prodotto potrebbe supportare. Allo stesso modo, la vocazione generalista di Nova non implica che gestisca i turni come Flux.

Anche le etichette dei parlanti incidono su integrazione e costi. La documentazione attuale sulla diarizzazione consiglia il parametro con versione diarize_model. I sistemi di diarizzazione batch e streaming sono diversi: richiedere su uno stream la versione riservata al batch restituisce un errore di validazione. Per un prodotto destinato alle riunioni, controlla le etichette nella risposta che andrai effettivamente a salvare; la verifica di un esempio batch non garantisce lo stesso comportamento dell'endpoint live.

Un piccolo prototipo può inoltre nascondere un limite di scala. La pagina prezzi PAYG di Deepgram indica fino a 150 connessioni WebSocket speech-to-text e 50 richieste REST contemporanee. La concorrenza misura le elaborazioni simultanee, non le ore mensili complessive. Un'applicazione che apre tutte le chiamate dei clienti all'inizio della giornata lavorativa deve dimensionarsi sul picco, anche con un utilizzo medio basso.

Verdetto: scegli Flux per come gestisce la conversazione, oltre che per la trascrizione. Se servono soltanto registrazioni ricercabili dopo la chiamata, parti da Nova-3 o da un'alternativa dedicata ai file. L'analisi completa dei prezzi Deepgram approfondisce la struttura delle tariffe.

Come impostare una prima integrazione con Flux

1. 1

   Scegli il modello conversazionale

   Usa flux-general-en per l'inglese oppure flux-general-multi dopo aver verificato le lingue documentate. Parti dalla guida rapida Flux attuale del fornitore e dal percorso WebSocket /v2/listen.

2. 2

   Configura l'audio in base a quello che invii

   Per audio grezzo linear16, indica la frequenza di campionamento effettiva; nella guida rapida Deepgram consiglia 16000. Per l'audio in formati contenitore supportati, segui invece la procedura documentata di rilevamento automatico, senza aggiungere impostazioni incompatibili per l'audio grezzo.

3. 3

   Gestisci separatamente testo e turni

   Mostra gli aggiornamenti della trascrizione o conservali in un buffer, poi gestisci EndOfTurn come evento distinto. Parti dal valore predefinito documentato di eot_threshold, pari a 0.7. Attiva la generazione anticipata solo dopo aver gestito TurnResumed e aver previsto l'annullamento di una risposta incompleta.

4. 4

   Prova le interruzioni tipiche degli utenti

   Simula un interlocutore che corregge una data, si ferma a cercare un numero di conto o parla sopra l'agente. Verifica che l'applicazione aspetti, riprenda ad ascoltare e mantenga la correzione. Sono verifiche di accettazione proposte, non test eseguiti per questo confronto.

2. Mistral Voxtral 3: interessante per i file, con i limiti di una versione in anteprima

Voxtral 3 di Mistral merita già una valutazione per la trascrizione di file, soprattutto se servono anche un'API ospitata nell'UE o la possibilità di installarla sulla propria infrastruttura. La famiglia di modelli di trascrizione è entrata in anteprima pubblica il 20 ottobre 2026. Comprende Voxtral Mini Transcribe 3 e Voxtral Small Transcribe 3 per l'audio registrato, più Voxtral Mini Transcribe Realtime 3 per quello live. Sono scelte distinte, non un unico modello con un'opzione per attivare lo streaming.

La conseguenza pratica è semplice. Un'app che importa interviste ai clienti può valutare Mini senza pagare una sessione live né implementare la gestione della conversazione. Un agente telefonico richiede invece il modello Realtime e una logica separata per decidere quando rispondere. I modelli per file di Mistral supportano 50 lingue, mentre Realtime elenca 45 lingue e dialetti. Sono questi i numeri specifici per modello da riportare nei requisiti di prodotto.

Mistral presenta Small come il proprio modello per file di qualità superiore. È il posizionamento dichiarato da Mistral, non un risultato di accuratezza misurato in questo articolo. La domanda utile è se Small corregga gli errori nelle registrazioni che contano per il prodotto: nomi dei clienti, codici prodotto, parlato con accenti o interventi sovrapposti. Se Mini supera già le prove di accettazione, un modello più grande non è automaticamente la scelta migliore.

Ideale per: Trascrizione di file con un'opzione ospitata nell'UE e team che valutano la nuova generazione Voxtral.
Punto di forza: Modelli di trascrizione Mini, Small e Realtime distinti, con modalità d'uso documentate esplicitamente.
Prezzi: Da $0.0035/minuto, cioè $0.21 per ora di audio, per i file con Mini; le condizioni commerciali per l'installazione autonoma sono solo su preventivo.
Prova gratuita: Le pagine dei modelli citate non quantificano una quota gratuita di trascrizione; verifica l'account prima di pianificare elaborazioni gratuite.

Il vincolo più rilevante è nella panoramica dettagliata sullo speech-to-text: diarizzazione live e rilevamento dei turni non possono funzionare nella stessa sessione. La presenza di entrambe le funzioni nella famiglia di modelli non significa che una singola richiesta possa combinarle.

Supponiamo di costruire un agente che debba rispondere subito e fornire ai supervisori una trascrizione con gli interventi attribuiti ai parlanti. La guida alla diarizzazione di Mistral consiglia di rilevare i turni in tempo reale, conservare l'audio e diarizzare la registrazione in seguito. È un'architettura praticabile, ma aggiunge una fase di elaborazione. Se servono contemporaneamente etichette live e segnali sui turni, va valutato un altro modello: una modifica alla configurazione non elimina questo vincolo.

Per i prodotti di sottotitolazione e montaggio c'è un secondo limite. La documentazione attuale dei file espone timestamp per segmento, non per parola. Un segmento delimita un tratto di parlato; un timestamp per parola consente all'editor di evidenziare o raggiungere un singolo vocabolo. Sono funzionalità di prodotto diverse. Una trascrizione può essere scorrevole e non avere comunque la precisione temporale necessaria all'interfaccia.

La stessa attenzione serve per le capacità di comprensione dell'audio. L'annuncio della famiglia descrive un insieme più ampio di strumenti vocali, ma la guida speech-to-text attuale rimanda le domande sull'audio e la traduzione a una modalità di chat con input audio che, al lancio, usa Voxtral 2. Queste capacità adiacenti non vanno presentate come funzionalità verificate della trascrizione Voxtral 3. Lo stato di anteprima richiede di fissare il modello usato e verificare il flusso di lavoro preciso, senza per questo escluderlo.

Verdetto: includi Voxtral Mini tra i candidati per i file; verifica Realtime sui requisiti precisi della conversazione. Con un volume ipotetico di 1,000 ore di file al mese, la trascrizione di base costa $210 con Mini e $240 con Small. La differenza è abbastanza contenuta da lasciare che sia il lavoro necessario per correggere gli errori a decidere. I costi degli altri modelli sono trattati nella guida ai prezzi Mistral.

3. AssemblyAI: parti dal risultato che deve produrre la trascrizione

AssemblyAI si presta ai prodotti che richiedono trascrizioni strutturate e una scelta chiara di elaborazioni facoltative. Universal-2 è l'opzione per file con ampia copertura linguistica; Universal-3.5 Pro è un altro modello per file, con meno lingue e opzioni aggiuntive di prompting. Per i prodotti live, Universal-Streaming e Universal-3.6 Pro Realtime hanno prezzi e capacità propri. Il nome del fornitore, da solo, non basta a scegliere la richiesta da integrare in produzione.

Un'applicazione per la revisione delle chiamate chiarisce il caso d'uso. Il cliente carica una registrazione, l'app produce interventi con timestamp e chi li esamina può vedere quale parlante ha preso un impegno. A quel punto si può decidere se servano anche un riepilogo, il riconoscimento delle entità o l'oscuramento dei dati. Ogni extra risponde a un'esigenza diversa: attivarli tutti è un modo semplice per aumentare la spesa senza migliorare la schermata che interessa all'utente.

La pagina prezzi attuale include timestamp per parola e formattazione nell'offerta per file, mentre la diarizzazione è un componente aggiuntivo. Descrive separatamente anche Speaker Identification, che può sostituire etichette generiche con nomi o ruoli. La distinzione conta: «Parlante A» basta in alcune interfacce di riproduzione, mentre distinguere «cliente» e «operatore» può essere indispensabile per la formazione o il controllo qualità.

Ideale per: Prodotti basati su chiamate registrate e applicazioni che richiedono elaborazioni strutturate delle trascrizioni.
Punto di forza: Funzioni distinte per file, realtime e comprensione facoltativa del parlato.
Prezzi: Da $0.15 per ora di audio per i file con Universal-2 o per Universal-Streaming; le etichette dei parlanti hanno un costo aggiuntivo.
Prova gratuita: Registrazione senza carta; il fornitore indica fino a 185 ore preregistrate e fino a 333 ore in streaming, in base al modello e alla quota disponibile.

Il limite da considerare è la diversa copertura linguistica a ogni modello e fascia di prezzo. Universal-2 elenca 99 lingue. Universal-3.5 Pro ne elenca 18. Universal-3.6 Pro Realtime ne elenca 32. L'opzione più economica Universal-Streaming Multilingual comprende inglese, spagnolo, tedesco, francese, portoghese e italiano. Un'app che pubblicizza tutte le lingue prendendo il numero più alto del fornitore rischia di promettere una funzione live che il modello scelto non può offrire.

Per chi gestisce il prodotto, lo strumento utile è una lista di verifiche che incroci lingue e funzionalità. Se i clienti parlano tedesco e giapponese, controlla ogni lingua richiesta rispetto al modello selezionato, per file o live. Poi prova i contenuti difficili in quelle lingue. Il numero di lingue supportate indica che una lingua è disponibile; non certifica la resa sul lessico specifico, sulle condizioni del microfono o sul modo in cui gli utenti passano da una lingua all'altra.

Anche le etichette dei parlanti cambiano il confronto. Universal-3.5 Pro con diarizzazione dei file costa complessivamente $0.23/ora. Universal-3.6 Pro Realtime con diarizzazione arriva a $0.57/ora. Per un volume ipotetico di 1,000 ore al mese, le rispettive configurazioni costano $230 e $570. Rispondono a flussi di lavoro diversi: la differenza non rappresenta il prezzo per eseguire più velocemente lo stesso lavoro.

Un'ulteriore distinzione riguarda l'API sincrona. Restituisce una trascrizione completa in un'unica richiesta; un processo asincrono per file avvia invece un'elaborazione il cui risultato arriva in seguito. Nessuna delle due modalità equivale, di per sé, a mantenere aperta una connessione audio live. La scelta dipende dall'esperienza prevista: una breve nota vocale può tollerare un rapido ciclo di caricamento e risposta; un interlocutore in attesa richiede la modalità live.

Verdetto: scegli AssemblyAI quando la trascrizione diventa un insieme di dati strutturati per il prodotto. Prima del modello, abbozza la schermata di revisione o il record che servirà nelle fasi successive. Se richiede interventi attribuiti ai parlanti, calcola quella configurazione fin dall'inizio. Se basta del testo ricercabile, evita di acquistare elaborazioni che gli utenti non vedranno mai.

4. ElevenLabs Scribe: da valutare per registrazioni multilingue ricche di metadati

ElevenLabs Scribe è un candidato solido per registrazioni multilingue che richiedono etichette dei parlanti, tempi delle singole parole e tag per gli eventi sonori diversi dal parlato. Scribe v2 documenta 90+ lingue e diarizzazione fino a 32 parlanti. Queste caratteristiche sono utili per archivi di interviste, raccolte multimediali e applicazioni di revisione delle chiamate. Scribe v2 Realtime è un'opzione live separata, con limiti funzionali propri.

Immagina un'app multimediale in cui gli utenti caricano interviste in più lingue. Il risultato desiderato va oltre un paragrafo di testo. Servono parole cliccabili, cambi di parlante e un modo per conservare suoni come risate o applausi. La guida alle funzionalità ElevenLabs documenta questi elementi per il modello per file: un motivo concreto per valutare Scribe, al di là del fatto che provenga dallo stesso fornitore di un prodotto di sintesi vocale.

I tempi delle singole parole sono particolarmente utili quando la trascrizione serve per montare o navigare il contenuto. Chi la esamina può raggiungere un punto preciso della registrazione, senza cercarlo all'interno di un segmento più ampio. I tag degli eventi sonori preservano inoltre un contesto che il normale testo perde. Sono metadati da mostrare o filtrare consapevolmente, non parole da inserire automaticamente in un indice di ricerca come se qualcuno le avesse pronunciate.

Ideale per: Applicazioni multilingue per interviste, contenuti multimediali e chiamate registrate.
Punto di forza: Etichette dei parlanti, timestamp per parola e tag degli eventi sonori nella stessa offerta per file.
Prezzi: Da $0.22 per ora di audio per i file con Scribe v2; Scribe v2 Realtime costa $0.39/ora.
Prova gratuita: La tabella prezzi Free/PAYG indica un utilizzo Scribe incluso; controlla la quota condivisa del piano prima di presumere che ogni modello abbia un proprio plafond gratuito.

L'errore da evitare è presumere che il modello live erediti la diarizzazione dei file. L'elenco delle funzionalità live e la documentazione WebSocket consultati per questo confronto non documentano le etichette dei parlanti. È un limite a ciò che si può dare per verificato, non l'affermazione che il fornitore non potrà mai offrirle. Se l'attribuzione live è obbligatoria, richiedi una configurazione supportata e documentata prima di assegnare quel ruolo a Scribe Realtime.

L'API live documenta invece trascrizioni parziali e confermate. Per un'integrazione nel browser, la guida lato client usa un token monouso creato dal server, così il browser non riceve la chiave API permanente. È un punto di partenza concreto per aggiungere il microfono a un'applicazione web. L'interfaccia può mostrare parole provvisorie e mantenere separatamente i segmenti confermati.

Per i contenuti registrati, i limiti standard documentati di caricamento sono 3 GB e 10 ore. La modalità multicanale può assegnare gli ID dei parlanti a partire dai numeri dei canali, una funzione utile quando la sorgente separa già i partecipanti. Conserva questa separazione se il sistema di registrazione la fornisce. Chiedere a un modello di dedurre le identità da una traccia mista può significare rinunciare a informazioni già disponibili.

Calcola separatamente il costo delle funzioni per il vocabolario. La pagina prezzi API indica un supplemento di $0.05/ora per il prompting con termini chiave in batch. Un ipotetico carico di 1,000 ore di file costerebbe quindi $220 alla tariffa base oppure $270 con questo extra. Fornire un glossario pertinente dei prodotti può giustificare la differenza, ma il glossario dovrebbe contenere termini che è probabile sentire, non ogni parola del catalogo.

Verdetto: valuta Scribe per le funzioni sui contenuti registrati che userai davvero. Entra in questa selezione per i file multilingue e per i metadati utili della trascrizione. Per quel tipo di lavoro, parti da ElevenLabs Scribe e verifica l'implementazione nella documentazione collegata sopra.

5. OpenAI: modelli attuali, con un piano di migrazione per le etichette dei parlanti

OpenAI è adatta ai team che usano già la sua API, purché all'applicazione bastino le capacità dei modelli di trascrizione attuali. Il fornitore consiglia ora gpt-transcribe per le registrazioni complete e gpt-live-transcribe per l'audio ricevuto in tempo reale. È da qui che dovrebbe partire una nuova integrazione. Copiare un vecchio tutorial su Whisper o GPT-4o può portare a sviluppare su un modello di cui è già prevista la disattivazione.

La guida ufficiale alla trascrizione distingue lo streaming dell'output di un file dall'input live. Una richiesta su file può restituire il testo a blocchi mentre elabora una registrazione completa. Una sessione live riceve invece audio che sta ancora arrivando. La differenza conta quando si scelgono il trasporto, la gestione dei tentativi successivi e il momento in cui l'applicazione considera completa la trascrizione.

Per un'app che converte una nota vocale in testo ricercabile, la modalità file è il punto di partenza naturale. Per un agente di assistenza che segue l'interlocutore in tempo reale, serve il flusso live dedicato. La scelta non dovrebbe dipendere soltanto dall'endpoint presente in un esempio di codice già usato altrove nell'applicazione.

Ideale per: Applicazioni OpenAI esistenti che richiedono la trascrizione attuale di file o live, senza presumere la parità con le vecchie funzionalità.
Punto di forza: Modelli consigliati distinti e input di contesto condivisi per prompt, parole chiave e lingue previste.
Prezzi: Da una stima di $0.0045/minuto, cioè $0.27 per ora di audio, per il modello consigliato per file; la trascrizione live è stimata a $1.02/ora.
Prova gratuita: La pagina prezzi citata non stabilisce una quota gratuita di trascrizione.

Quanto costa la trascrizione con OpenAI

OpenAI presenta le cifre al minuto come costi stimati, quindi anche le conversioni orarie mantengono questa precisazione. La pagina prezzi attuale elenca inoltre i precedenti gpt-4o-mini-transcribe, con una stima di $0.003/minuto, e gpt-4o-transcribe, a $0.006/minuto: equivalgono a $0.18 e $0.36 per ora di audio. Queste tariffe aiutano i clienti esistenti a valutare una migrazione; il vecchio modello più economico non è quello consigliato per un nuovo prodotto.

L'avviso di deprecazione fissa al 26 febbraio 2027 la disattivazione di whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe e gpt-4o-transcribe-diarize. La guida attuale per i file documenta ancora l'output con etichette dei parlanti sotto il modello di diarizzazione deprecato. Avverte inoltre che cambiare l'ID del modello non conserva tutti i formati di output e le capacità relative ai metadati.

Per un'app di riunioni, questo è il limite decisivo. Una trascrizione che prima restituiva un campo parlante e informazioni temporali non può essere sostituita da semplice testo senza cambiare il prodotto. Elenca i campi consumati dal database e dall'interfaccia, poi confrontali con la risposta del sostituto. Se le etichette dei parlanti sono essenziali e la soluzione attualmente consigliata non le documenta, valuta un'alternativa supportata: migrare non significa soltanto sostituire una stringa.

La guida per i file stabilisce anche un limite di caricamento di 25 MB. A seconda della codifica, una registrazione di un'ora può richiedere compressione o suddivisione. Progetta questo passaggio in modo che i punti di divisione non perdano parole, duplichino testo o interrompano il contesto atteso dalle elaborazioni successive senza che il problema emerga. Un limite alla dimensione dei file diventa un vincolo di prodotto quando i clienti possono caricare registrazioni arbitrarie.

Per il lessico specialistico, i modelli consigliati accettano un prompt, parole chiave letterali e lingue previste. Usa questi elementi per descrivere la registrazione e la terminologia probabile. Sono indicazioni di contesto, non una richiesta di inserire nella trascrizione parole assenti. Evita inoltre di attribuire ai nuovi modelli il numero di lingue dichiarato per Whisper: la guida attuale descrive gli input linguistici senza fornire un totale complessivo.

Verdetto: scegli OpenAI per un flusso attuale e documentato, non perché un vecchio frammento di codice per la trascrizione funziona ancora. Per un'integrazione esistente, fai l'inventario dei campi necessari prima di spostare il traffico. Per un nuovo prodotto in cui distinguere i parlanti è centrale, quell'inventario può indicare subito un altro fornitore.

6. Google Cloud Speech-to-Text API: quando si integra bene nel flusso cloud

Google Cloud Speech-to-Text ha senso quando la trascrizione rientra in un flusso Google Cloud già esistente oppure quando il prodotto può usare elaborazioni batch differite. Speech-to-Text V2 Standard e Dynamic Batch hanno prezzi sensibilmente diversi. Chirp 3 aggiunge un altro livello alla scelta: modello, metodo API, lingua e regione devono essere compatibili con le funzioni richieste.

Un'elaborazione notturna dell'archivio e un assistente per chiamate live non possono essere preventivati usando la stessa voce del listino Google. L'archivio può aspettare che l'audio venga elaborato con priorità inferiore. L'assistente non può ricevere più tardi le parole che gli servono per rispondere adesso. La pagina prezzi Google presenta Dynamic Batch come un'opzione scontata per l'elaborazione differita, non come un endpoint live economico.

Ideale per: Applicazioni Google Cloud, archivi da elaborare in coda e team in grado di gestire configurazioni specifiche per modello.
Punto di forza: Modalità di elaborazione V2 Standard e Dynamic Batch distinte.
Prezzi: Da $0.003/minuto, cioè $0.18 per ora di audio, per V2 Dynamic Batch; il riconoscimento Standard nella prima fascia costa $0.016/minuto, cioè $0.96/ora.
Prova gratuita: La quota di minuti gratuiti V1 riportata nel listino non va applicata a un budget V2; verifica separatamente i crediti utilizzabili dall'account.

Quanto cambia il conto Google se l'elaborazione può aspettare

Per un volume ipotetico di 1,000 ore di audio in un mese, la tariffa Standard indicata produce $960 di costi di trascrizione, contro $180 con Dynamic Batch. La differenza di $780 deriva dall'accettare l'elaborazione differita. È utile per un archivio i cui risultati servono soltanto a una successiva fase di revisione; non permette di gestire una conversazione live con un cliente alla tariffa batch. Archiviazione e altre risorse Google Cloud hanno costi aggiuntivi.

Lo stesso rigore serve per le etichette dei parlanti. La documentazione di Chirp 3 supporta la trascrizione live tramite StreamingRecognize, ma documenta la diarizzazione dei parlanti come funzione non streaming e per un insieme più ristretto di lingue. Per un archivio con attribuzione ai parlanti, segui la configurazione batch documentata. Il supporto alla trascrizione live non autorizza a promettere diarizzazione live sullo stesso modello.

La pagina del prodotto Google indica 85+ lingue e varianti per Chirp 3. La precisazione «e varianti» conta: un fornitore può includere forme regionali nel proprio totale, mentre un altro costruisce l'elenco in modo diverso. Soprattutto, la matrice di disponibilità distingue lo stato di rilascio e le funzionalità supportate. Un prodotto che richiede una specifica variante regionale e le etichette dei parlanti deve soddisfare entrambe le condizioni.

Il limite è l'insieme delle combinazioni configurabili. Quando i requisiti coinvolgono più lingue, regioni e modalità di elaborazione, non basta scegliere chirp_3. Registra la combinazione selezionata nella configurazione dell'applicazione e fai in modo che quelle non supportate producano errori chiari. Altrimenti, una funzione riuscita in una demo batch in inglese può diventare una mancanza inspiegabile quando un cliente carica un'altra lingua o passa al live.

Anche la fatturazione dei canali separati merita attenzione. Google addebita ogni canale audio elaborato. Una registrazione con operatore e interlocutore separati può essere preziosa perché conserva i rispettivi ruoli, ma il conto segue la durata dei canali elaborati. Tienine conto prima di confrontare un archivio di chiamate stereo con un esempio a canale singolo di un altro fornitore.

Verdetto: scegli Google quando il flusso di lavoro complessivo ne giustifica l'uso. Per un archivio già su Google Cloud, l'elaborazione differita può essere adatta. Per un nuovo agente vocale, confronta la configurazione live standard con le alternative specializzate, senza partire dal prezzo in evidenza di Dynamic Batch.

7. Speechmatics: quando contano infrastruttura e attribuzione dei parlanti nelle chiamate

Speechmatics merita una posizione alta tra i candidati quando serve un'installazione enterprise on-premises o segmenti di conversazione live attribuiti ai parlanti. On-premises significa elaborare i dati su un'infrastruttura sotto il proprio controllo. Nell'offerta enterprise, Speechmatics elenca container, appliance virtuali e installazioni ibride. Le condizioni commerciali sono solo su preventivo: le tariffe del cloud pubblico non garantiscono il prezzo di un'installazione privata.

La scelta del modello conta quanto quella dell'infrastruttura. Melia 1 è la famiglia multilingue per file e realtime, mentre Linden 1 alimenta l'offerta Agent STT. La documentazione dei modelli indica che Linden restituisce segmenti attribuiti ai parlanti e messaggi sui turni. È quindi un candidato pertinente quando servono sia le parole sia la loro attribuzione all'interno di una struttura conversazionale.

Un assistente di supporto usato in vivavoce da più persone pone un problema diverso dalla dettatura individuale. Una seconda persona può unirsi alla chiamata, oppure il parlato in sottofondo può sovrapporsi a quello dell'interlocutore previsto. Prima di scegliere un modello, chiarisci se l'agente debba seguire una sola voce, distinguere i partecipanti o semplicemente conservare una registrazione degli interventi attribuibili a ciascuno. La struttura dell'output deve rispondere a questa scelta fin dall'inizio.

Ideale per: Prodotti con vincoli di installazione e team che valutano chiamate live con attribuzione dei parlanti.
Punto di forza: Opzioni enterprise di installazione privata e un modello Agent STT distinto.
Prezzi: I file con Melia 1 partono da $0.24 per ora di audio con PAYG senza sconti; Linden Agent STT costa $0.30/ora; l'installazione privata è solo su preventivo.
Prova gratuita: $100 di credito, senza carta, secondo la pagina prezzi.

La precisazione sui prezzi può sfuggire facilmente. La pagina prezzi pubblica può mostrare per Melia un importo più basso, già comprensivo degli sconti legati all'addestramento e ai crediti per volume. Il calcolatore espone $0.24/ora per i file con PAYG di base. Aderire allo sconto per l'addestramento autorizza la registrazione, la conservazione e l'utilizzo dell'audio per migliorare il servizio. Va trattato come una decisione distinta sulla gestione dei dati, non come una riduzione gratuita a parità di condizioni contrattuali.

Ci sono poi due limiti delle funzioni live. Il primo: Melia realtime non supporta attualmente la diarizzazione dei parlanti, pur supportando quella per canale. La diarizzazione per canale usa ingressi già separati; quella dei parlanti deduce le diverse voci dall'audio. Per la modalità live di Melia, la guida richiede inoltre che il client rilevi la fine di un enunciato e invii ForceEndOfUtterance.

Il secondo riguarda Linden. L'attuale pagina Agent STT afferma che i segnali sui turni dipendono dal rilevamento del silenzio; il rilevamento semantico lato server è ancora in arrivo. Il primo attende una pausa acustica. Quello semantico considera anche se la persona sembra aver concluso il pensiero. Entrambi possono essere utili, ma reagiscono diversamente quando l'interlocutore si ferma a metà di un numero di riferimento.

Il supporto linguistico richiede la stessa attenzione. Melia elenca 56 lingue e la trascrizione di parlato con più lingue mescolate. La pagina di Linden indica 55+ lingue, ma descrive il supporto multilingue completo come futuro. Supportare ogni lingua separatamente non dimostra che una singola chiamata possa passare liberamente dall'una all'altra. Un call center multilingue dovrebbe verificare esplicitamente questo scenario, senza attribuire a Linden il comportamento di Melia per semplice associazione.

Verdetto: scegli Speechmatics per un requisito preciso, poi seleziona il modello che lo soddisfa davvero. Vale soprattutto la pena valutarla quando l'attribuzione live dei parlanti o il luogo di elaborazione escludono un'alternativa più semplice. Chiedi che la proposta enterprise specifichi modello e combinazione di funzioni: «speech-to-text on-premises» è una definizione troppo generica per verificare l'idoneità di un prodotto.

Quale API speech to text scegliere per il proprio progetto?

La scelta cambia quando cambiano il risultato richiesto o la modalità operativa. Parti dal vincolo che farebbe fallire il prodotto, poi confronta i candidati rimasti sulle tue registrazioni e sulla spesa prevista.

Per un agente vocale che deve rispondere in modo naturale, parti da Deepgram Flux. Il motivo è la gestione dei turni. Inserisci Speechmatics Linden nel primo confronto quando l'attribuzione live dei parlanti è centrale, verificando il comportamento dei turni basato sul silenzio. Valuta Mistral Realtime quando le sue opzioni di installazione contano, accettando la separazione documentata tra rilevamento live dei turni e diarizzazione.

Per interviste registrate o contenuti multimediali in molte lingue, parti da ElevenLabs Scribe. Etichette dei parlanti nei file, tempi delle parole e tag degli eventi sonori si prestano a un'interfaccia di revisione utile. Anche AssemblyAI Universal-2 merita una valutazione se copre le lingue degli input. Voxtral Mini è un candidato sensato per i file quando bastano i tempi dei segmenti e si può verificare l'idoneità del modello in anteprima.

Per analisi strutturate delle chiamate, parti dai campi necessari all'applicazione. AssemblyAI è un candidato naturale quando gli interventi attribuiti ai parlanti e le elaborazioni opzionali si adattano al flusso di lavoro. Deepgram Nova-3 offre un'altra soluzione per file e streaming da valutare. Se operatore e cliente sono già registrati separatamente, conserva quei canali prima di decidere se servano etichette dei parlanti dedotte dal modello.

Per un archivio Google Cloud da elaborare in coda, confronta V2 Dynamic Batch con i tempi di consegna richiesti. Lo sconto aiuta solo se l'applicazione può accettare risultati differiti. Se l'utente aspetta davanti alla schermata il completamento, misura quell'esperienza separatamente: non dare per scontato che spostare lo stesso lavoro in una coda meno urgente passi inosservato.

Per un'applicazione OpenAI esistente, parti dal modello attualmente consigliato per la modalità scelta. La comodità smette di essere decisiva quando etichette dei parlanti, sottotitoli o altri metadati delle vecchie soluzioni sono obbligatori e il sostituto non li documenta. Una migrazione pianificata è il momento giusto per controllare le dipendenze, anziché confermare automaticamente il fornitore.

Per l'elaborazione on-premises, valuta le opzioni enterprise documentate di Speechmatics e Deepgram, oltre all'offerta di installazione autonoma di Mistral. Tutte richiedono un preventivo per le condizioni commerciali non pubblicate. Confronta hardware, assistenza all'installazione, modelli supportati e responsabilità degli aggiornamenti insieme alla licenza. Il prezzo per ora di audio nel cloud pubblico non può decidere questo acquisto.

Conserva i ruoli dei parlanti prima di chiedere a un modello di dedurli

Mantieni separati i canali di operatore e interlocutore quando la sorgente li fornisce. Un canale di registrazione di cui si conosce l'origine può conservare un ruolo che la diarizzazione dovrebbe altrimenti dedurre da una traccia mista. È una scelta architetturale che precede quella del fornitore di trascrizione.

Immagina una chiamata registrata con l'operatore su un canale e l'interlocutore sull'altro. L'applicazione sa già a quale partecipante corrisponde ogni canale. Unendoli in una sola traccia prima della trascrizione, quell'informazione scompare. Un sistema di diarizzazione può separare le voci in parlanti anonimi, ma resta da ricondurli ai rispettivi ruoli.

ElevenLabs documenta ID dei parlanti derivati dai canali nella modalità multicanale per file. Deepgram, AssemblyAI e Google descrivono esplicitamente la fatturazione per canale. Il compromesso di prodotto è quindi concreto: conservare i canali può semplificare l'attribuzione, ma aumenta l'audio elaborato conteggiato in fattura. Il confronto tra una stima a canale singolo e un sistema multicanale in produzione deve tenere conto di questa differenza.

Un microfono da conferenza è una sorgente diversa. Più voci condividono già la stessa traccia, quindi le etichette dei canali non possono recuperare i singoli partecipanti. Qui servono la diarizzazione dei parlanti e un modo per correggere gli errori quando le voci si sovrappongono o si somigliano. Mantieni distinta l'attribuzione degli interventi dall'identità: un'etichetta anonima non dovrebbe diventare il nome verificato di un cliente solo perché compare in un JSON strutturato.

Lo stesso principio vale per i riepiloghi generati nelle fasi successive. Conserva la trascrizione originale, le etichette dei parlanti e il riferimento alla sorgente insieme a ogni riepilogo. Se un cliente contesta chi abbia promesso un rimborso, l'app deve permettere di risalire all'audio pertinente, oltre a mostrare un paragrafo ben scritto.

Come sono state selezionate le API

Queste sono raccomandazioni di implementazione basate su una revisione della documentazione riferita a una data precisa, non una classifica indipendente di accuratezza. Prezzi e capacità specifiche sono stati verificati sulle pagine ufficiali di prezzi o documentazione dei fornitori il 21 ottobre 2026. Per questo articolo non sono state eseguite richieste di trascrizione a pagamento né prove comparative su audio.

La selezione ruota attorno a cinque domande:

• Il modello richiesto accetta file completi, audio live o entrambi?
• La modalità scelta restituisce le etichette dei parlanti, i timestamp e i segnali sui turni necessari al prodotto?
• Le lingue effettivamente supportate e il comportamento nei passaggi da una lingua all'altra sono documentati?
• Il servizio può funzionare nell'ambiente di installazione richiesto?
• Quanto costa la configurazione scelta, inclusi gli extra necessari e il conteggio dei canali?

L'analisi originale di questo articolo consiste nella conversione delle tariffe su base oraria e nella verifica delle compatibilità per modello e modalità. Fa emergere differenze che un elenco generico delle funzioni del fornitore nasconde: l'incompatibilità delle funzioni live di Voxtral, le soluzioni deprecate di OpenAI per i metadati, le etichette non streaming dei parlanti in Chirp e la distinzione di Melia tra diarizzazione dei canali e dei parlanti.

Un confronto di accuratezza richiederebbe le stesse registrazioni rappresentative, trascrizioni di riferimento e regole di valutazione per tutti i fornitori. Questo articolo non lo propone. Espressioni come «il più accurato» o vittorie nei benchmark rimangono affermazioni dei rispettivi fornitori; non stabiliscono una graduatoria tra i prodotti qui trattati.

Per una valutazione interna, definisci il successo in termini di prodotto. Un archivio di interviste ricercabile può tollerare differenze nella punteggiatura, ma risultare inutilizzabile se mancano i nomi. Un agente per prenotazioni può riconoscere ogni parola e interrompere comunque l'interlocutore nel momento sbagliato. Un prodotto per la revisione delle chiamate può aver bisogno di un'attribuzione affidabile dei parlanti più che di una formattazione elegante. Valuta il comportamento che cambia il risultato per l'utente e tieni distinte queste categorie quando esamini gli esiti.

Il perimetro comprende questi sette fornitori di API per sviluppatori. I prodotti per riunioni e montaggio rivolti agli utenti finali sono trattati separatamente. Altri fornitori possono meritare una valutazione per una lingua o un vincolo infrastrutturale specifici; la loro assenza non equivale a un test di accuratezza fallito.

Quali scelte evitare

Evita il modello inadatto al lavoro da svolgere, anche se il fornitore nel complesso è una buona scelta. Questi sono errori specifici di acquisto e implementazione:

• I modelli deprecati di trascrizione GPT-4o e Whisper API di OpenAI per una nuova integrazione destinata a durare. La disattivazione documentata comporta una migrazione già all'orizzonte. Usa modelli attuali o verifica l'idoneità di un altro fornitore.
• Voxtral Mini Transcribe Realtime 3 quando una sessione deve combinare diarizzazione e rilevamento dei turni. La guida dettagliata esclude esplicitamente questa configurazione.
• Google Dynamic Batch per interazioni live. La tariffa inferiore comporta un'elaborazione differita, incompatibile con un interlocutore in attesa di risposta.
• Scribe Realtime quando le etichette live dei parlanti sono un requisito inderogabile. Richiedi un supporto documentato prima di trattare la diarizzazione del modello per file come una funzione live.
• Speechmatics Melia realtime quando serve dedurre i parlanti dall'audio. La diarizzazione dei canali è una capacità diversa: valuta il modello appropriato.

Evita anche di scegliere basandoti soltanto su un'affermazione di accuratezza. Un modello che vince la valutazione del produttore può essere comunque inadatto perché non offre la lingua, i metadati temporali o la modalità di installazione necessari. Sono requisiti che possono escluderlo già prima della prova.

Domande frequenti sulla trascrizione automatica via API

Esistono API speech to text gratuite?

Usa i crediti gratuiti per verificare la configurazione a pagamento che intendi adottare. Deepgram indica $200 di credito, Speechmatics $100 e AssemblyAI pubblica quote gratuite variabili per modello. L'utilizzo gratuito non garantisce capacità illimitata in produzione. Prima di caricare un archivio, conferma quali modelli, modalità ed extra rientrano nella quota dell'account.

Come usare un'API speech to text con Python?

Scegli modalità di elaborazione e modello prima dell'esempio Python. Per la trascrizione attuale dei file con OpenAI, la guida ufficiale parte da gpt-transcribe; la guida rapida audio di Mistral usa il suo modello Voxtral Mini attuale. Per gli agenti live, parti dalla guida streaming aggiornata del fornitore e implementa gli eventi di connessione e dei turni. Non usare l'ID di un modello preso da un vecchio tutorial senza controllare la documentazione attuale.

Come scegliere la configurazione dell'API Google Speech-to-Text?

Per una nuova integrazione V2, specifica il modello e il metodo di riconoscimento, poi controlla la matrice di lingue e funzionalità. Il riconoscimento Standard e Dynamic Batch hanno tariffe e priorità diverse. Chirp 3 supporta la trascrizione live, ma il flusso documentato per le etichette dei parlanti non è streaming.

Da dove iniziare per integrare un'API di trascrizione?

Parti da una registrazione rappresentativa o da una sessione live usando la guida rapida attuale del fornitore. Esamina i campi della risposta necessari al prodotto, poi aggiungi parlato difficile, voci sovrapposte e lingue richieste. Solo in seguito verifica il picco di richieste contemporanee e calcola il costo mensile della configurazione precisa.

Il prossimo passo per l'integrazione

La prossima settimana, confronta due configurazioni capaci di soddisfare entrambe il requisito più difficile. Per un assistente live, potrebbero essere Flux e Linden con attribuzione dei parlanti; per un'app multilingue di interviste, Scribe e un modello per file idoneo di AssemblyAI o Voxtral. Definisci i campi richiesti nella risposta e i casi di errore prima di elaborare le registrazioni.

Mantieni un piccolo insieme di prove di accettazione con parlato ordinario e situazioni problematiche: una data corretta in corsa, un nome poco familiare, interventi sovrapposti e un cambio di lingua, se capita ai clienti. Registra gli errori di trascrizione separatamente da quelli di attribuzione dei parlanti e gestione dei turni. Poi stima la spesa sulla base della modalità, dei canali e degli extra necessari che hai effettivamente valutato.

Usa la AI Business Workflow Audit Checklist per mappare la sorgente audio, il risultato richiesto e i passaggi tra sistemi prima di scegliere l'API. Scarica la checklist.