Whisper è un modello di riconoscimento vocale automatico pubblicato da OpenAI nel settembre 2022. Trasforma in testo il parlato in molte lingue e può anche tradurre le registrazioni in inglese. Codice e pesi del modello sono rilasciati con licenza open source MIT, quindi Whisper può funzionare anche su hardware proprio: un vantaggio quando i dati audio non devono uscire dall'azienda. Impieghi tipici sono trascrizioni di riunioni e interviste o sottotitoli.
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoIl riconoscimento vocale, detto anche ASR (Automatic Speech Recognition), converte automaticamente il parlato in testo scritto. I sistemi moderni usano reti neurali addestrate su grandi quantità di registrazioni audio e gestiscono abbastanza bene accenti e rumori di fondo. Si usa per dettatura, sottotitoli, assistenti vocali o trascrizione di riunioni e conversazioni con i clienti. Termini tecnici, nomi propri e audio di scarsa qualità restano frequenti fonti di errore.
La trascrizione audio converte il parlato contenuto nelle registrazioni in testo scritto. I moderni sistemi di riconoscimento automatico del parlato aggiungono anche la punteggiatura, distinguono tra più voci e talvolta inseriscono marcatori temporali. Si usa per verbali di riunioni, interviste, sottotitoli o la documentazione delle chiamate con i clienti. La qualità dipende molto da audio, accento e lessico specialistico; per conversazioni con dati personali vanno considerati consenso e protezione dei dati.
OpenAI è un’azienda di intelligenza artificiale con sede a San Francisco, fondata nel 2015 come organizzazione senza scopo di lucro. Dalla ristrutturazione dell’ottobre 2025 è composta dalla OpenAI Foundation, non profit, che controlla la OpenAI Group PBC a scopo di lucro (aggiornato a ottobre 2026). È nota soprattutto per ChatGPT e i modelli linguistici GPT, oltre che per il generatore di immagini DALL·E e il modello di riconoscimento vocale Whisper. I modelli sono offerti tramite app e un’API.
La sintesi vocale (text-to-speech) trasforma un testo scritto in parlato ed è quindi il contrario del riconoscimento vocale (speech-to-text). I sistemi moderni usano reti neurali per generare voci naturali con un'intonazione adeguata. Si impiega ad esempio nei messaggi telefonici, nei navigatori, nelle funzioni di lettura ad alta voce per siti accessibili e negli assistenti vocali.
