Quanto è precisa la dettatura vocale? Tasso di errore, velocità e limiti reali
Come si misura la precisione del riconoscimento vocale (tasso di errore sulle parole), cosa dicono gli studi sulla velocità della dettatura rispetto alla digitazione, cosa peggiora i risultati e quali parole controllare sempre.
In breve
La precisione si misura di solito con il tasso di errore sulle parole (WER): parole sostituite, cancellate e inserite diviso il numero di parole davvero pronunciate. È utile ma limitato: punteggiatura, formattazione e significato restano fuori. Gli studi mostrano che parlare è circa tre volte più veloce che digitare sul telefono. Gli errori si concentrano su nomi, numeri e rumore: sono le parole da controllare prima di inviare.
Hai detto
per favore fai un bonifico di millecinquecento non cinquemila sul conto del fornitore
SayVelio ha scritto
Per favore fai un bonifico di 1.500, non 5.000, sul conto del fornitore.
Tre tipi di errore
Quando un sistema di riconoscimento sbaglia, fa una di queste tre cose:
- Sostituzione: una parola viene scambiata con un'altra («sedici» → «sei»).
- Cancellazione: una parola sparisce (il «non» si perde).
- Inserimento: compare una parola che non è stata detta.
Il tasso di errore sulle parole (WER)
La misura standard conta questi tre tipi rispetto a una trascrizione di riferimento corretta:
WER = (sostituzioni + cancellazioni + inserimenti) ÷ numero di parole del riferimento
Un esempio. Il riferimento ha 10 parole: «manda il report finale a Maria entro venerdì alle nove». Il sistema scrive «manda il report finale a Mario entro venerdì alle nove poi»: 1 sostituzione, 0 cancellazioni, 1 inserimento. WER = 2 ÷ 10 = 20%.

Cosa il WER non dice
Il WER è una buona misura tecnica e un cattivo riassunto dell'esperienza d'uso:
- Tutte le parole pesano uguale. Un «il» mancante e un «non» mancante costano un errore ciascuno, ma solo uno ribalta il significato.
- Dipende dalle regole di conteggio. «5» contro «cinque» è un errore? «OK» contro «okay»? Il risultato cambia a seconda di come si normalizza il testo prima del confronto.
- Ignora punteggiatura e formattazione, cioè il lavoro della pulizia.
- È legato al suo set di test. Un WER basso su parlato letto e pulito dice poco sul tuo accento, sul tuo microfono o sul vocabolario del tuo lavoro.
Confrontare due prodotti ha senso solo con lo stesso audio, la stessa lingua, lo stesso compito e le stesse regole. Un marchio o una promessa pubblicitaria di velocità non sostituiscono questo confronto.
Dettare è più veloce che digitare?
Ecco cosa hanno trovato alcuni studi sottoposti a revisione paritaria:

| Metodo | Velocità media | Studio |
|---|---|---|
| Tastiera fisica | 52 parole al minuto | Dhakal et al., CHI 2018, 168.000 volontari |
| Tastiera touch del telefono | 36,2 parole al minuto | Palin et al., MobileHCI 2019, 37.370 volontari |
| Voce sul telefono (inglese) | 153 parole al minuto | Ruan et al., 2017, messaggi brevi in laboratorio |
| Tastiera del telefono nello stesso studio | 52 parole al minuto | Ruan et al., 2017 |
Nello studio di Stanford guidato da Ruan e colleghi, la voce è stata 2,93 volte più veloce della tastiera del telefono in inglese e 2,87 volte in cinese mandarino. I partecipanti hanno dovuto correggere meno errori strada facendo (tasso di errori corretti del 5,3% contro l'11,2% in inglese), anche se nel testo dettato finale restava qualche errore in più (1,3% contro 0,8%). Gli studi riguardavano compiti e persone diversi: prendi il confronto come un ordine di grandezza, non come un rapporto esatto. Al lavoro si passa anche del tempo a pensare e a rileggere, quindi il guadagno quotidiano è minore che in laboratorio, ma resta importante per i messaggi lunghi.
Cosa peggiora i risultati
- Rumore ed eco: voci di sottofondo, microfoni lontani, stanze grandi (vedi riduzione del rumore e rilevamento della voce).
- Più persone che parlano contemporaneamente.
- Audio saturo: parlare così vicino o così forte che il segnale distorce.
- Nomi e gergo sconosciuti, che il modello ha visto raramente (vedi come il contesto aiuta il riconoscimento).
- Cambiare lingua a metà frase, cosa che alcuni sistemi gestiscono male.
Anche la velocità ha un prezzo
L'attesa totale somma più fasi: fine della registrazione, invio, riconoscimento, pulizia facoltativa e inserimento del testo. I sistemi in streaming devono inoltre decidere quando fissare le parole, tra testo anticipato e correzioni successive. In SayVelio le modalità di dettatura ti lasciano scegliere: Veloce inserisce il testo riconosciuto senza pulizia, Bilanciato e Massima qualità aggiungono la pulizia per un testo più curato.
Da controllare sempre prima di inviare
Per un testo che conta, sei tu a rileggere per ultimo. Guarda due volte:
- numeri e importi, comprese valute e decimali;
- i nomi di persone, aziende e prodotti;
- le negazioni: «non», «mai», «nessuno»;
- date e orari;
- le indicazioni mediche, legali e finanziarie;
- tutto ciò che una pulizia può aver riformulato.
Una correzione facile rende la dettatura utile anche quando non è perfetta, ma la comodità non dimostra che non ci siano stati errori.
Fonti
- Dhakal, V., Feit, A. M., Kristensson, P. O., Oulasvirta, A. Observations on Typing from 136 Million Keystrokes. CHI 2018. Sintesi dell'Università di Cambridge
- Palin, K., Feit, A. M., Kim, S., Kristensson, P. O., Oulasvirta, A. How do People Type on Mobile Devices? Observations from a Study with 37,000 Volunteers. MobileHCI 2019. Pagina del progetto
- Ruan, S., Wobbrock, J. O., Liou, K., Ng, A., Landay, J. A. Comparing Speech and Keyboard Text Entry for Short Messages in Two Languages on Touchscreen Phones. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2017. arXiv:1608.07323
Domande frequenti
Qual è un buon WER?
Dipende dall'audio e dal compito. Una dettatura chiara in una stanza tranquilla con un modello recente ha spesso un WER di pochi punti percentuali, mentre registrazioni rumorose con più voci possono arrivare molto più in alto. Confronta i sistemi solo sullo stesso audio e con le stesse regole.
Il WER può superare il 100%?
Sì. Contano anche gli inserimenti: un sistema che aggiunge molte parole non pronunciate può fare più errori di quante parole ci fossero.


