OpenAI Whisper: guida pratica alla trascrizione audio

OpenAI Whisper è uno dei sistemi di riconoscimento vocale automatico più potenti disponibili oggi, completamente open source e gratuito. Addestrato su oltre 680.000 ore di dati audio multilingue provenienti da tutto il web, Whisper è in grado di trascrivere parlato in oltre 50 lingue, aggiungere punteggiatura in modo automatico e persino tradurre il testo in inglese. In questa guida pratica vedremo come installarlo, configurarlo e usarlo al meglio, sia da riga di comando sia tramite Python, con attenzione particolare al supporto per l'italiano.

Che cos'è OpenAI Whisper e come funziona

Whisper è un modello di intelligenza artificiale di tipo transformer progettato per la trascrizione automatica del parlato (ASR, Automatic Speech Recognition). A differenza di molti concorrenti commerciali, è distribuito con licenza MIT, il che significa che chiunque può scaricarlo, modificarlo e usarlo senza costi di licenza.

Il funzionamento interno si basa su un'architettura encoder-decoder: l'audio viene prima convertito in uno spettrogramma di Mel, poi elaborato dall'encoder e infine decodificato in testo token per token. Questo approccio consente a Whisper di gestire bene gli accenti regionali, il rumore di fondo e il parlato sovrapposto, problemi che mettevano in crisi i sistemi più vecchi.

Caratteristiche principali

Supporto per oltre 50 lingue, tra cui l'italiano, il francese, il tedesco e lo spagnolo
Rilevamento automatico della lingua senza configurazione aggiuntiva
Aggiunta automatica di punteggiatura e maiuscole
Modalità di traduzione verso l'inglese integrata
Output in molteplici formati: TXT, VTT, SRT, TSV e JSON
Completamente gratuito e open source (licenza MIT)

I casi d'uso più comuni

Trascrizione di interviste e podcast
Sottotitolazione automatica di video
Verbali di riunioni e conferenze
Accessibilità per persone con difficoltà uditive
Dettatura di testo in ambiente professionale

I modelli disponibili: quale scegliere

Whisper non è un modello unico, ma una famiglia di cinque varianti con dimensioni e requisiti hardware molto diversi tra loro. La scelta del modello giusto dipende dalle risorse disponibili e dal livello di accuratezza richiesto.

Tabella dei modelli Whisper

Tiny: 39 milioni di parametri, circa 1 GB di VRAM, velocità ~32x rispetto al modello Large. Adatto a PC con poche risorse.
Base: 74 milioni di parametri, circa 1 GB di VRAM, velocità ~16x. Buon compromesso per uso quotidiano su CPU.
Small: 244 milioni di parametri, circa 2 GB di VRAM, velocità ~6x. Equilibrio ottimale tra velocità e precisione.
Medium: 769 milioni di parametri, circa 5 GB di VRAM, velocità ~2x. Consigliato per trascrizioni professionali.
Large: 1.550 milioni di parametri, circa 10 GB di VRAM, velocità 1x (riferimento). Massima accuratezza disponibile.

Per chi lavora solo con CPU, i modelli tiny e base sono quelli praticamente utilizzabili. Con una GPU consumer come una RTX 3060, si può usare comodamente il modello small o medium. Per l'italiano, il modello small offre già risultati eccellenti nella maggior parte dei casi.

Installazione di Whisper su Windows, Mac e Linux

Prima di installare Whisper è necessario avere Python 3.9 o successivo e FFmpeg installato sul sistema. FFmpeg è una libreria fondamentale per la gestione dei file audio e video.

Installazione di FFmpeg

Windows: scarica FFmpeg dal sito ufficiale e aggiungi la cartella bin alla variabile d'ambiente PATH
Mac: usa Homebrew con il comando brew install ffmpeg
Ubuntu/Debian: usa il gestore pacchetti con sudo apt install ffmpeg

Installazione di Whisper tramite pip

Con Python e FFmpeg pronti, l'installazione di Whisper è semplice:

Apri il terminale o il prompt dei comandi
Esegui: pip install -U openai-whisper
Per supporto GPU con CUDA: pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
Verifica l'installazione con: whisper --help

Al primo utilizzo, Whisper scaricherà automaticamente i pesi del modello scelto. Il file viene salvato in una cartella locale e riutilizzato nelle sessioni successive senza bisogno di ri-scaricare.

Come usare Whisper da riga di comando

L'interfaccia a riga di comando di Whisper è immediata e consente di trascrivere un file audio con un solo comando. La sintassi di base è la seguente:

Trascrizione semplice: whisper audio.mp3
Con specifica del modello: whisper audio.mp3 --model medium
Con lingua forzata all'italiano: whisper audio.mp3 --language Italian
Con output in formato SRT: whisper audio.mp3 --output_format srt
Con traduzione in inglese: whisper audio.mp3 --task translate

Opzioni avanzate da riga di comando

--device cuda per forzare l'uso della GPU
--device cpu per forzare l'uso della CPU
--output_dir /percorso/cartella per specificare dove salvare i file
--verbose False per ridurre l'output nel terminale

Specificare la lingua con --language Italian è consigliato quando si trascrive audio in italiano: evita il passaggio di rilevamento automatico e migliora la velocità complessiva del processo.

Integrazione di Whisper in Python

Per un controllo più fine, Whisper può essere importato direttamente in uno script Python. Questo è utile quando si vuole integrare la trascrizione in un'applicazione più ampia, processare file in batch o personalizzare il comportamento del modello.

Esempio base di utilizzo in Python

Importa la libreria: import whisper
Carica il modello: model = whisper.load_model("small")
Trascrivi il file: result = model.transcribe("audio.mp3", language="it")
Stampa il testo: print(result["text"])

Trascrizione con segmentazione temporale

Il risultato restituito da model.transcribe() è un dizionario che contiene non solo il testo completo, ma anche una lista di segmenti con il timestamp di inizio e fine. Questo è molto utile per la generazione automatica di sottotitoli:

result["segments"] contiene una lista di dizionari
Ogni segmento ha i campi start, end e text
Si possono filtrare, modificare e riformattare liberamente prima di esportare

Ottimizzazione della memoria in Python

Usa torch.float16 per ridurre l'uso di VRAM del 50% con risultati quasi identici
Elabora file lunghi in blocchi usando la libreria pydub per spezzare l'audio
Libera la memoria GPU dopo la trascrizione con del model e torch.cuda.empty_cache()

Whisper per la trascrizione di podcast e video in italiano

Uno degli impieghi più pratici di Whisper per gli utenti italiani è la trascrizione di contenuti audio e video. Con una qualità audio ragionevole, i modelli medium e large raggiungono un tasso di accuratezza molto elevato anche con parlato veloce, dialetti o terminologia tecnica.

Consigli per ottenere trascrizioni di qualità

Usa file audio con campionamento a 16.000 Hz o superiore: è il formato preferito da Whisper
Riduci il rumore di fondo in pre-processing con strumenti come Audacity o Adobe Audition
Evita file compressi con bitrate molto basso (sotto i 64 kbps): la qualità della trascrizione ne risente
Per audio stereo con più parlanti, considera strumenti di diarizzazione come pyannote.audio da usare in abbinamento a Whisper
Verifica sempre il risultato su terminologia medica, legale o tecnica: anche il modello Large può commettere errori su nomi propri e sigle

Formati audio supportati

MP3, MP4, M4A, WAV, FLAC, OGG, WebM e altri tramite FFmpeg
È possibile trascrivere direttamente dal file video senza estrarre prima la traccia audio
I file lunghi (oltre 30 minuti) vengono elaborati internamente in finestre da 30 secondi

Alternative e strumenti basati su Whisper

Oltre all'uso diretto, Whisper è diventato il motore di numerosi strumenti e interfacce grafiche che ne semplificano l'utilizzo anche per chi non ha esperienza con la riga di comando.

Interfacce grafiche e servizi cloud

Faster-Whisper: implementazione ottimizzata con CTranslate2, fino a 4 volte più veloce con la stessa accuratezza
Whisper.net: porta il modello nell'ecosistema .NET per sviluppatori C#
Azure AI Speech: Microsoft offre Whisper come servizio gestito su Azure con SLA garantito
Whisper API di OpenAI: versione cloud accessibile via REST API, senza bisogno di hardware locale

Per chi preferisce evitare l'installazione locale, l'API di OpenAI offre il modello Whisper a un costo molto contenuto per ora di audio trascritta, con la comodità di non dover gestire driver CUDA o dipendenze Python.

Whisper vs altre soluzioni di speech-to-text: confronto pratico

Whisper non è l'unica soluzione disponibile per la trascrizione automatica del parlato. Prima di sceglierlo, è utile confrontarlo con le alternative più diffuse sul mercato, sia gratuite sia a pagamento, per capire in quali scenari si distingue davvero e dove presenta invece dei limiti.

Whisper vs Google Speech-to-Text

Google offre un servizio cloud con latenza bassa e ottima integrazione nell'ecosistema Google, ma ha un costo a consumo per grandi volumi
Whisper, eseguito localmente, non invia audio a server esterni, garantendo maggiore privacy dei dati
Google Speech-to-Text eccelle nella trascrizione in tempo reale (streaming), funzionalità che Whisper nella versione base non supporta nativamente
Per trascrizioni offline e batch, Whisper è competitivo o superiore in termini di precisione, specialmente con lingue diverse dall'inglese

Whisper vs Azure Speech Service

Microsoft offre Whisper come servizio gestito su Azure, con supporto enterprise, SLA e integrazioni con il proprio ecosistema cloud
La versione Azure è adatta per aziende che necessitano di conformità normativa, scalabilità e supporto tecnico dedicato
La versione open source locale è preferibile per progetti personali, accademici o startup con budget limitati
I risultati in termini di qualità della trascrizione sono equivalenti, poiché il modello sottostante è lo stesso

Quando scegliere Whisper open source

Quando la privacy dei dati è prioritaria e non si vuole inviare audio a servizi cloud di terze parti
Quando si lavora offline o in ambienti con connettività limitata
Quando si vogliono processare grandi volumi di audio senza costi variabili
Quando si vuole integrare la trascrizione in una pipeline personalizzata con Python
Per progetti di ricerca, sviluppo di applicazioni o automazione di workflow aziendali interni

Domande frequenti

Whisper funziona bene con l'italiano parlato velocemente?

Sì, specialmente con i modelli medium e large. Whisper è stato addestrato su audio in italiano di diversa provenienza, inclusi podcast, discorsi e interviste. Il parlato veloce riduce leggermente la precisione, ma i risultati sono comunque nettamente superiori a quelli dei sistemi tradizionali. Si consiglia di specificare --language Italian per evitare che il rilevamento automatico rallenti il processo.

È possibile usare Whisper senza GPU?

Sì, Whisper gira anche su CPU, ma con i modelli più grandi i tempi di elaborazione diventano molto lunghi. Per uso su CPU, i modelli tiny e base sono i più adatti: trascrivono un minuto di audio in pochi secondi anche su macchine modeste. Il modello medium su CPU può richiedere diversi minuti per ogni minuto di audio.

Whisper può trascrivere audio con più parlanti?

Whisper trascrive il testo ma non identifica i singoli parlanti (funzione nota come diarizzazione). Per ottenere anche questa informazione è necessario combinare Whisper con una libreria dedicata come pyannote.audio o Resemblyzer. Esistono pipeline open source già pronte che uniscono diarizzazione e trascrizione in un unico flusso di lavoro.

Quali formati di output produce Whisper?

Whisper produce file in cinque formati diversi: TXT (solo testo), VTT (sottotitoli per browser), SRT (sottotitoli per lettori video), TSV (tabella con timestamp) e JSON (dati strutturati con segmenti e metadati). È possibile generarli tutti contemporaneamente con l'opzione --output_format all.

Whisper è gratuito anche per uso commerciale?

Sì. Il modello open source di Whisper è distribuito con licenza MIT, che permette l'uso commerciale senza restrizioni. L'unico vincolo è mantenere la nota di copyright originale nel codice. L'API cloud di OpenAI basata su Whisper ha invece un costo a consumo, ma il modello locale rimane completamente libero.

Come si aggiorna Whisper all'ultima versione?

È sufficiente eseguire il comando pip install -U openai-whisper. Il flag -U (upgrade) aggiorna automaticamente il pacchetto all'ultima versione disponibile su PyPI. I pesi dei modelli scaricati in precedenza rimangono validi e non devono essere ri-scaricati a meno di aggiornamenti espliciti dei modelli stessi.