Confronto dei modelli di trascrizione e come scegliere
Abbiamo misurato i 10 modelli di trascrizione disponibili in questo strumento sullo stesso audio in 5 lingue. Il tasso di errore è la parte della trascrizione riconosciuta in modo errato e il tempo di elaborazione è una stima di quanto richiede 1 ora di audio. Se non sai quale modello scegliere, inizia da «Consigli per lingua e dispositivo».
Misurazione del: 29 ottobre 2026
Consigli per lingua e dispositivo
Giapponese
Su un computer con WebGPU, Haas-ja v1.0 (710 MB) è il più preciso (tasso di errore del 5,2%). Richiede anche circa un terzo del tempo di SenseVoice Small. È il modello predefinito in Chrome ed Edge su questi computer (esclusi i Mac con Apple silicon). Su smartphone e computer senza WebGPU, scegli il predefinito, SenseVoice Small (240 MB). È preciso circa quanto Whisper Large v3 Turbo (1,5 GB) e richiede meno della metà del tempo.
Cinese e coreano
Per il cinese, il predefinito SenseVoice Small è più preciso di qualsiasi modello Whisper. Per il coreano, su un computer con WebGPU, Whisper Large v3 Turbo (tasso di errore del 5,0%) e Large v3 (4,6%) sono più precisi di SenseVoice Small (7,9%). Per entrambe le lingue, Qwen3-ASR 1.7B su un computer con WebGPU è preciso quanto SenseVoice Small o di più.
Inglese
Su un computer con WebGPU, Whisper Large v3 Turbo (tasso di errore del 5,8%) o Medium (5,7%) sono abbastanza precisi. Il più preciso è Qwen3-ASR 1.7B (4,3%), ma la prima volta scarica circa 5,2 GB e usa circa 5 GB di memoria della GPU. Su smartphone, scegli SenseVoice Small (9,0%).
Spagnolo, tedesco e altre lingue
Su un computer con WebGPU, scegli Whisper Large v3 Turbo. Per lo spagnolo, Turbo (tasso di errore del 4,4%) è più preciso di Large v3 (6,2%) ed è anche più veloce. Il più preciso per lo spagnolo è Qwen3-ASR 1.7B (4,1%). Su smartphone e computer senza WebGPU, scegli Whisper Small o un modello più grande.
Smartphone
Per giapponese, cinese, coreano e inglese, scegli il predefinito, SenseVoice Small. Gli smartphone eseguono una versione più leggera (8 bit) di Whisper, quindi il tasso di errore di Tiny per il giapponese supera il 70%. Per le altre lingue, Whisper Small è il più preciso, ma l’elaborazione richiede circa quanto la durata dell’audio o di più. Per gli audio lunghi, anche Whisper Base è un’opzione.
WebGPU è un modo con cui il browser può usare la GPU per i calcoli. È disponibile in Chrome, Edge e altri browser per computer.
Apri lo strumento di trascrizioneTassi di errore per lingua
Il tasso di errore è la parte della trascrizione che differisce dal testo corretto. Più è basso, più il modello è preciso. Giapponese, cinese e coreano sono conteggiati per carattere, inglese e spagnolo per parola. È evidenziato il modello con meno errori in ogni lingua. La tabella mostra i risultati su un computer con WebGPU.
| Modello | Giapponese | Inglese | Spagnolo | Coreano | Cinese |
|---|---|---|---|---|---|
| Haas-ja v1.0 | 5,2% | — | — | — | — |
| SenseVoice Small | 8,6% | 9,0% | — | 7,9% | 7,9% |
| Whisper Tiny | 44,4% | 16,0% | 21,1% | 20,4% | 30,1% |
| Whisper Base | 26,3% | 11,5% | 13,2% | 13,7% | 24,0% |
| Whisper Small | 14,1% | 7,3% | 7,6% | 7,2% | 14,5% |
| Whisper Medium | 8,7% | 5,7% | 5,3% | 5,7% | 9,8% |
| Whisper Large v3 Turbo | 8,9% | 5,8% | 4,4% | 5,0% | 9,9% |
| Whisper Large v3 | 6,9% | 5,6% | 6,2% | 4,6% | 11,5% |
| Qwen3-ASR 1.7B | 8,0% | 4,3% | 4,1% | 5,1% | 7,7% |
| Voxtral Mini 4B | 6,1% | — | — | — | — |
«—» significa che il modello non può essere selezionato per quella lingua in questo strumento. Questi risultati si riferiscono a parlato letto ad alta voce, quindi tutti i modelli commettono più errori con registrazioni rumorose o conversazioni tra più persone.
Tempo di elaborazione e dimensione del download
Il tempo di elaborazione è una stima di quanto richiede trascrivere 1 ora di audio sul nostro computer di prova (AMD Ryzen 7 8745H, grafica integrata Radeon 780M). Il download avviene solo la prima volta; in seguito viene usato il modello salvato nel browser.
| Modello | Tempo per 1 ora di audio | Primo download | Requisiti |
|---|---|---|---|
| Haas-ja v1.0 | circa 2 min | 〜710 MB | Computer con WebGPU (usa circa 1 GB di memoria della GPU) |
| SenseVoice Small | circa 7 min | 〜240 MB | Computer e smartphone (funziona sulla CPU) |
| Whisper Tiny | circa 5 min | 〜145 MB | Computer e smartphone |
| Whisper Base | circa 6 min | 〜280 MB | Computer e smartphone |
| Whisper Small | circa 10 min | 〜925 MB | Computer e smartphone |
| Whisper Medium | circa 19 min | 〜650 MB | Computer con WebGPU consigliato (sulla CPU, 1 ora di audio richiede diverse ore) |
| Whisper Large v3 Turbo | circa 16 min | 〜1.5 GB | Consigliato un computer con WebGPU e una GPU che supporti la virgola mobile a 16 bit (fp16) (altrimenti funziona sulla CPU e richiede diverse ore) |
| Whisper Large v3 | circa 23 min | 〜2.0 GB | Computer con WebGPU e una GPU che supporti la virgola mobile a 16 bit (fp16) |
| Qwen3-ASR 1.7B | circa 19 min | 〜5.2 GB | Computer con WebGPU (usa circa 5 GB di memoria della GPU) |
| Voxtral Mini 4B | circa 50 min | 〜2.9 GB | Computer con WebGPU e una GPU che supporti la virgola mobile a 16 bit (fp16) (usa circa 5 GB di memoria della GPU; la grafica integrata richiede almeno 16 GB di RAM) |
È più veloce su computer con una GPU dedicata come GeForce e più lento su computer meno recenti. SenseVoice Small non usa la GPU: funziona sulla CPU.
Su smartphone e computer senza WebGPU
Su smartphone e computer senza WebGPU, sulla CPU viene eseguita una versione più leggera (8 bit) di Whisper. I tassi di errore sono più alti che sulla GPU di un computer, e Tiny in particolare peggiora molto.
| Modello | Giapponese | Inglese | Spagnolo | Coreano | Cinese | Tempo per 1 ora di audio | Primo download |
|---|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6% | 9,0% | — | 7,9% | 7,9% | circa 7 min | 〜240 MB |
| Whisper Tiny | 70,5% | 28,3% | 31,5% | 30,2% | 51,0% | circa 10 min | 〜40 MB |
| Whisper Base | 31,2% | 12,1% | 14,0% | 15,2% | 25,1% | circa 15 min | 〜75 MB |
| Whisper Small | 14,8% | 7,6% | 7,7% | 7,4% | 14,3% | circa 45 min | 〜240 MB |
I tempi di elaborazione si riferiscono alla CPU del nostro computer di prova (1 thread). Gli smartphone richiedono più tempo. Whisper Medium e superiori richiedono diverse ore per 1 ora di audio sulla CPU.
Cosa mostrano le misurazioni
- I modelli più grandi non sono sempre più precisi. Whisper Large v3 è più preciso di Large v3 Turbo per giapponese e coreano, ma commette più errori di Turbo per spagnolo e cinese e richiede circa 1,4 volte il tempo.
- Per giapponese e cinese, SenseVoice Small da 240 MB è preciso quanto Whisper Large v3 Turbo da 1,5 GB o di più (giapponese 8,6% contro 8,9%, cinese 7,9% contro 9,9%).
- Whisper Medium è preciso quasi quanto Large v3 Turbo con meno della metà del download (650 MB contro 1,5 GB). Richiede circa 1,2 volte il tempo di Turbo.
- Qwen3-ASR 1.7B commette meno errori di tutti per inglese, spagnolo e cinese.
- Il minor numero di errori per il giapponese è di Haas-ja v1.0 (5,2%), circa il 40% in meno di SenseVoice Small (8,6%). Richiede anche circa un terzo del tempo di SenseVoice Small.
- Sulla CPU, come sugli smartphone, il tasso di errore di Whisper Tiny aumenta molto (dal 44,4% al 70,5% per il giapponese). Small cambia appena.
Come abbiamo misurato
- L’audio è composto da 100 frasi per lingua, scelte a intervalli regolari dalla parte di test di FLEURS (parlato letto ad alta voce), un benchmark multilingue di riconoscimento vocale pubblicato da Google.
- Abbiamo trascritto nel browser con lo stesso software di questo strumento (transformers.js 4.2.0), gli stessi formati dei modelli e la stessa elaborazione (il testo iniziale dato a Whisper e la nuova esecuzione delle sezioni risultate vuote).
- Abbiamo rimosso punteggiatura, spazi e differenze tra caratteri a larghezza intera e a mezza larghezza prima del confronto con il testo corretto. Il cinese è stato convertito in cinese semplificato e l’inglese è passato per la normalizzazione del testo usata nella valutazione di Whisper.
- Il computer di prova ha un AMD Ryzen 7 8745H (grafica integrata Radeon 780M) e 32 GB di memoria, e il browser era Chromium 153. I tempi di elaborazione non includono il caricamento del modello.
- Haas-ja v1.0 e Voxtral Mini 4B sono stati misurati solo per il giapponese, e SenseVoice Small per le 4 lingue diverse dallo spagnolo (solo le lingue per cui ogni modello può essere selezionato in questo strumento). Voxtral Mini 4B è stato misurato il giorno prima degli altri modelli e Haas-ja v1.0 il 3 novembre 2026, sullo stesso computer e con lo stesso audio.
- Poiché Qwen3-ASR 1.7B usa un modello separato per aggiungere i timestamp, il suo tempo di elaborazione è stato misurato trascrivendo audio giapponese (108 secondi) in questo strumento, compreso questo passaggio.
Domande frequenti
I modelli più grandi sono più precisi?
Non sempre. Per Whisper, la precisione aumenta con la dimensione da Tiny a Medium, ma Large v3 ha commesso più errori di Large v3 Turbo per spagnolo e cinese. Per giapponese e cinese, il piccolo SenseVoice Small è preciso circa quanto Turbo.
Quale modello scegliere su smartphone?
Per giapponese, cinese, coreano e inglese, scegli SenseVoice Small, che è anche il predefinito. Per le altre lingue, Whisper Small è il più preciso ma è lento, quindi per gli audio lunghi anche Whisper Base è un’opzione. Tiny commette molti errori e non è consigliato.
Come viene scelto il modello predefinito?
Viene scelto automaticamente in base alla lingua selezionata e alle capacità del dispositivo. Per il giapponese è Haas-ja v1.0 su un computer con almeno 4 GB di memoria in cui WebGPU è disponibile in Chrome, Edge o un browser simile (esclusi i Mac con Apple silicon). Per il giapponese altrove, ad esempio su smartphone o in Safari e Firefox, e per cinese e coreano, è SenseVoice Small. Per l’inglese e le altre lingue viene scelto uno dei modelli Whisper in base a GPU e memoria. Per l’inglese, i dispositivi a cui verrebbe assegnato Whisper Base o inferiore (come smartphone e computer con grafica integrata) ricevono invece SenseVoice Small.
Il tasso di errore sarà lo stesso per le registrazioni di riunioni?
No. Queste misurazioni usano parlato letto ad alta voce da una sola persona, quindi tutti i modelli commettono più errori con registrazioni rumorose o conversazioni tra più persone. Usale come riferimento per confrontare i modelli.
Scegli un modello e trascrivi
Questo strumento è gratis e non richiede alcun account. I file audio vengono elaborati nel browser e non lasciano mai il tuo dispositivo.
Apri lo strumento di trascrizione