Cosa può e non può dirti un semplice test di trascrizione

Synthorai ora trascrive l’audio, con sette modelli speech-to-text dedicati dietro un unico endpoint compatibile con OpenAI.

Quell’unico endpoint nasconde parecchio lavoro, perché a livello nativo questi modelli si assomigliano ben poco. whisper-1 accetta un upload multipart e restituisce {text}. gpt-4o-transcribe usa lo stesso upload ma aggiunge l’uso dei token. seed-asr di ByteDance parla il protocollo BytePlus AUC, qwen3-asr-flash di Alibaba ha il suo, e i modelli chirp di Google sono recognizer di Cloud Speech-to-Text raggiunti via OAuth.

Endpoint diversi, autenticazione diversa, formati di risposta diversi, un’integrazione in più per ciascuno. Attraverso il gateway è una sola chiamata compatibile con OpenAI: sostituisci gpt-4o-mini-transcribe con seed-asr-bigmodel o chirp-3, e nel tuo codice non cambia nient’altro.

TL;DR

• Il costo di trascrizione varia di 8 volte tra sette modelli dedicati: seed-asr-bigmodel a $0.0020 per minuto audio, i modelli chirp a $0.0164 (misurato 2026-06-25).
• seed-asr non ha il rilevamento automatico della lingua: con language non impostato, l’audio non in inglese/cinese restituisce HTTP 200 con testo vuoto o romanizzato e viene comunque fatturato.
• qwen3-asr-flash a $0.0021 al minuto è il modello più economico che rileva automaticamente ogni lingua testata.
• Solo i modelli gpt-4o transcribe trasmettono token per token; i modelli al minuto sono solo batch.
• Ogni modello ha ottenuto circa 0% di errore su discorsi puliti in inglese, spagnolo e francese: l’accuratezza non è l’asse su cui scegliere.

La chiamata è l’endpoint di trascrizione compatibile con OpenAI, quindi è un drop-in se usi già Whisper:

curl https://synthorai.io/v1/audio/transcriptions \
  -H "Authorization: Bearer $SYNTHORAI_API_KEY" \
  -F file=@meeting.mp3 \
  -F model=gpt-4o-mini-transcribe

from openai import OpenAI

client = OpenAI(base_url="https://synthorai.io/v1", api_key="sk-syn-...")

with open("meeting.mp3", "rb") as f:
    result = client.audio.transcriptions.create(model="gpt-4o-mini-transcribe", file=f)

print(result.text)

La trascrizione arriva in text, e il costo addebitato è nell’header di risposta x-total-cost-usd.

Abbiamo sottoposto tutti e sette allo stesso semplice test, e la natura di quel test determina ogni numero qui sotto.

Cos’è questo test, e cosa non è

Abbiamo generato passaggi quotidiani senza nomi propri (una mattina, il tempo, una gita al mercato) con una voce text-to-speech standard in ciascuna delle cinque lingue più parlate al mondo, poi abbiamo trascritto ogni clip con tutti e sette i modelli. Ogni clip dura circa 12-15 secondi, all’incirca 40 parole di parlato a ritmo normale senza lunghi silenzi, codificate come WAV PCM 16 bit mono a 16 kHz (256 kbps, circa 2 MB al minuto). Il testo è la ground truth e le durate sono esatte.

È un caso volutamente facile: audio pulito, letto da copione, con un solo parlante, senza accenti, rumore o gergo. Questo lo rende adatto a misurare le cose che non dipendono da quanto è difficile l’audio. Misura il costo, la latenza, quali lingue un modello accetta e se supporta lo streaming, e questi sono dati stabili.

Non è un benchmark di qualità. Le registrazioni reali, con accenti, rumore di fondo, vocabolario di settore, parlanti sovrapposti e un’ora di durata, distinguono questi modelli in modi che l’audio pulito non mostrerà mai, e nulla qui lo prevede. Leggi i numeri sull’accuratezza come un controllo di soglia minima, non come una classifica, e considera i risultati su costo, copertura e streaming come la base su cui puoi davvero contare.

ASR dedicato, non multimodale

I sette modelli qui elencati sono tutti sistemi speech-to-text dedicati: whisper-1, gpt-4o-transcribe e gpt-4o-mini-transcribe di OpenAI; seed-asr-bigmodel di ByteDance; qwen3-asr-flash di Alibaba; chirp-2 e chirp-3 di Google.

Il gateway può anche puntare l’endpoint di trascrizione verso un modello multimodale generico come Gemini, che trascrive come effetto collaterale della comprensione dell’audio. Li abbiamo esclusi, e non li useremmo per la trascrizione. Google dice lo stesso della propria offerta: la guida audio di Gemini lo presenta come uno strumento per descrivere, riassumere o rispondere a domande sull’audio, e per la trascrizione vera e propria ti rimanda altrove, “per modelli speech-to-text dedicati con supporto alla trascrizione in tempo reale, dovresti usare la Google Cloud Speech-to-Text API” (i modelli Chirp). Un modello multimodale può produrre una trascrizione, ma è costruito per comprendere l’audio, non per riportare esattamente ciò che è stato detto, e ci si arriva con una chiamata generateContent in stile chat invece che con un’API di trascrizione. Per uno speech-to-text fedele, lo strumento giusto è un modello dedicato, e il fornitore che offre entrambi la pensa così.

Ci sono tre modi per inviare l’audio:

• File in ingresso, batch in uscita: carichi una registrazione completa e ottieni l’intera trascrizione in un’unica risposta. Tutti i modelli lo supportano.
• File in ingresso, testo in streaming: stesso caricamento, ma la trascrizione arriva in streaming via SSE man mano che viene prodotta. Alcuni modelli lo supportano, altri funzionano solo in batch.
• Audio in streaming in ingresso, testo in streaming in uscita: riconoscimento in tempo reale di un microfono o di una chiamata dal vivo. In fase di sviluppo, non ancora disponibile, quindi tutto quello che segue riguarda le prime due modalità.

Come viene fatturata la trascrizione

Due schemi di fatturazione. Per minuto di audio (whisper-1, seed-asr, qwen3-asr-flash, i modelli Chirp): paghi la durata effettiva della registrazione, qualunque sia il contenuto. Per token (i modelli gpt-4o): l’audio viene tokenizzato a una tariffa fissa e paghi quei token di input più i token di output della trascrizione, quindi il silenzio costa meno di un parlato fitto.

Lo schema per token nasconde un tranello: la tariffa di input indicata è quella del testo, ma l’audio costa di più (gpt-4o-mini-transcribe indica 1,25 $/M di input ma fattura l’audio a 3 $/M). Se fai la stima sulla tariffa del testo, resti sotto. Il gateway restituisce il costo reale nell’header x-total-cost-usd: leggi quello invece di tirare a indovinare da una pagina dei prezzi.

Costo

Questa è la parte che il test misura in modo netto, ed è anche quella che varia di più. Costo al minuto, preso dall’header di fatturazione:

Lo scarto è di circa 8x, da seed-asr a $0.0020 al minuto fino ai modelli Chirp a $0.0164. Il modello più economico, seed-asr, va informato in quale lingua è l’audio (ci torniamo sotto), quindi conviene quando la lingua è nota in partenza; per lingue miste o sconosciute la scelta più economica senza configurazione è qwen3-asr-flash a $0.0021. I modelli Chirp sono di gran lunga i più costosi, e se usi Chirp la scelta è chirp-3: costa e va quanto chirp-2, ma trascrive il mandarino molto meglio, come mostra la tabella sull’accuratezza.

Come cambiano questi numeri con i tuoi file dipende dal modello di fatturazione. I modelli al minuto (whisper-1, seed-asr, qwen3-asr-flash, i Chirp) fatturano solo in base alla durata, quindi la tariffa è trasferibile: dieci minuti di audio costano dieci volte il valore al minuto, a prescindere da formato o contenuto.

I modelli a token (le righe gpt-4o) scalano il costo di input con la durata, non con la dimensione del file, perché il provider ricampiona l’audio prima di tokenizzarlo. Un MP3 pesante a 320 kbps e il nostro WAV compatto a 16 kHz con le stesse parole si tokenizzano più o meno allo stesso costo, quindi comprimere i file fa risparmiare storage, non spesa di trascrizione. Ciò che invece incide su una fattura a token è quanto viene effettivamente parlato: le nostre clip hanno un ritmo normale, senza silenzi, quindi un audio più denso o più rado fattura un po’ di più o un po’ di meno sugli output token. In ogni caso l’header x-total-cost-usd è il dato di verità.

Accuratezza e copertura linguistica

Su inglese, spagnolo e francese, ogni modello che accetta la lingua ha segnato circa 0% di errore. È il minimo, e tutti lo superano. Mandarino e hindi sono i punti dove anche un test facile come questo inizia a mostrare crepe, ma va letto come un indizio su dove indirizzare i tuoi test, non come un verdetto:

Il fatto duro qui non è la copertura, ma il rilevamento. seed-asr ha trascritto tutte e cinque le lingue una volta passato il parametro language, e in una prova successiva anche giapponese, tedesco, italiano e coreano. Quello che non fa è rilevare la lingua da solo: lascia language vuoto e tutto ciò che non è inglese o cinese torna come stringa vuota o rumore romanizzato, con status 200 e nessun errore. Gli altri sei rilevano la lingua in automatico. Questa modalità di fallimento silenzioso è la vera scoperta: un modello che fallisce in modo evidente è una seccatura, uno che fallisce in silenzio è un incidente di produzione.

Lo scarto sull’hindi e lo scivolone sul mandarino (chirp-2 al 16%, che chirp-3 corregge) dicono che quei modelli vanno testati sulle tue lingue più difficili prima di fidartene, non che uno sia migliore di un altro. I numeri assoluti sono gonfiati dalla voce sintetica e dallo scoring, e cambiano da esecuzione a esecuzione. La lettura onesta è che sul parlato pulito nelle lingue principali l’accuratezza non è ciò che separa questi modelli, quindi non è lì che questo test può aiutarti a scegliere.

Output in streaming

La capacità di un modello di trasmettere il testo in streaming è una questione di funzionalità, non di qualità, e divide il gruppo in due. I modelli a tariffa al minuto (whisper-1, seed-asr, qwen3-asr-flash ed entrambi i Chirp) funzionano solo in batch: se provi a richiedere lo streaming, il gateway risponde con un 400. I modelli gpt-4o trasmettono token per token: gpt-4o-transcribe restituisce le prime parole in circa un secondo e completa il resto man mano, che è quello che serve per una UI con effetto live. Il costo è identico a quello in batch. Per abilitare lo streaming, aggiungi stream=true:

curl -N https://synthorai.io/v1/audio/transcriptions \
  -H "Authorization: Bearer $SYNTHORAI_API_KEY" \
  -F file=@meeting.mp3 -F model=gpt-4o-transcribe -F stream=true
# data: {"type":"transcript.text.delta","delta":"When"}
# data: {"type":"transcript.text.delta","delta":" you"} ...

Caching

Per questi modelli il caching di fatto non esiste. Quelli a tariffa al minuto fatturano in base alla durata, quindi ripetere una richiesta non porta alcuno sconto: abbiamo inviato lo stesso clip a whisper-1 cinque volte e ogni volta abbiamo pagato gli stessi $0.015478. I modelli gpt-4o fatturati a token non indicano alcuna tariffa di cache e sulle ripetizioni hanno mostrato solo la normale variazione tra un’esecuzione e l’altra. Quindi fai i conti sulla tariffa al minuto: reinviare lo stesso file non costa meno.

Cosa verificare per primo, e cosa testare in prima persona

Questo test non ti dice quale modello è più accurato sulle tue registrazioni. Ti dice su cosa filtrare prima di fare la tua valutazione:

• Lingue. Verifica che il modello accetti tutte le lingue che ti servono e se rileva la lingua da solo. seed-asr ha gestito tutte le lingue che abbiamo provato, ma solo con un parametro language esplicito; senza, l’audio non in inglese o cinese fallisce in silenzio. Gli altri sei rilevano la lingua automaticamente, che è il default più sicuro per audio misto o sconosciuto.
• Streaming. Se ti serve una trascrizione live, solo i modelli gpt-4o trasmettono token per token; quelli a tariffa al minuto funzionano solo in batch.
• Costo. Lo scarto è di circa 8 volte. Il modello più economico che copre tutte le lingue è qwen3-asr-flash a $0.0021; i Chirp sono i più costosi, e chirp-3 è l’unico motivo per preferire Chirp ai modelli più economici. Non c’è caching su cui contare, quindi paghi la tariffa al minuto.
• Tipo di modello. Usa un modello dedicato al speech-to-text, non un multimodale generico. È lo strumento giusto per la trascrizione verbatim, e lo dicono anche i vendor che offrono entrambi.

Una volta che alcuni modelli superano questi filtri, resta la domanda a cui devi rispondere da solo: quanto è accurato ciascuno sul tuo audio, con i suoi accenti, il rumore e il vocabolario specifico. Nessun benchmark su parlato pulito sostituisce il test dei modelli sopravvissuti su registrazioni reali.

In sintesi

Su parlato pulito e recitato nelle lingue principali, tutti e sette i modelli sono all’incirca ugualmente accurati, ed è la cosa più utile che emerge da questo test: l’accuratezza non è la variabile su cui scegliere. Ciò che il test individua con chiarezza, e che varia davvero, è la base di partenza: il costo copre uno scarto di circa 8 volte, un modello supporta solo due lingue e i modelli a tariffa al minuto non fanno streaming. Usa questi dati per restringere il campo, non per decretare un vincitore, e poi prova i due o tre modelli rimasti sul tuo audio. E scegli un modello dedicato al speech-to-text invece di un multimodale generico, come raccomandano gli stessi vendor che sviluppano entrambi.

Fonti

• OpenAI: Speech to text guide
• OpenAI: API pricing
• Google: Gemini API audio understanding (use Cloud Speech-to-Text for dedicated transcription)
• Google Cloud: Chirp 3 transcription model
• BytePlus: Seed-ASR (ByteDance) overview

Costi e latenze misurati su Synthorai il 2026-06-25 su sette modelli di trascrizione dedicati e cinque lingue (inglese, mandarino, hindi, spagnolo, francese), tramite l’header x-total-cost-usd e il timing SSE. Le righe relative alle lingue di seed-asr riflettono una nuova misurazione del 2026-07-04 con il parametro language impostato. L’audio è stato generato via text-to-speech ed è volutamente semplice, quindi i dati di accuratezza sono un controllo di soglia minima più che un benchmark di qualità; il parlato reale, con accenti e rumore, distinguerebbe questi modelli in modo diverso. La latenza varia da run a run. I prezzi di listino sono le tariffe di questa piattaforma a quella data. Verifica i prezzi attuali prima di farci affidamento.

← Torna al blog