
Precisione di Whisper: come migliorare la qualità della trascrizione
Eric King
Author
Precisione di Whisper: come migliorare la qualità della trascrizione
OpenAI Whisper è già tra i modelli open source più accurati per il riconoscimento vocale, ma diverse strategie permettono di massimizzare ulteriormente la qualità della trascrizione. Questa guida raccoglie suggerimenti pratici, esempi di codice e best practice per migliorare la precisione di Whisper nei vostri casi d’uso.
Ideale per:
- Sviluppatori che ottimizzano la precisione di trascrizione con Whisper
- Creator che trascrivono podcast e video
- Ricercatori che lavorano con audio
- Chi cerca suggerimenti sulla precisione di Whisper
Cosa influenza la precisione di Whisper
Prima di ottimizzare, è utile sapere cosa conta:
- Qualità audio (la più importante)
- Dimensione del modello (scelta)
- Rilevamento della lingua
- Pre-elaborazione audio
- Parametri di configurazione
- Durata audio e segmentazione
Suggerimento 1: Scegliere la dimensione del modello giusta
Whisper offre cinque dimensioni che bilanciano velocità e precisione in modo diverso:
import whisper
# Model sizes from fastest to most accurate:
# tiny, base, small, medium, large
# For maximum accuracy, use medium or large
model = whisper.load_model("medium") # Best balance
# or
model = whisper.load_model("large") # Maximum accuracy
Guida alla scelta del modello:
| Modello | Precisione | Velocità | Usalo quando |
|---|---|---|---|
| tiny | ⭐⭐ | ⭐⭐⭐⭐⭐ | Test rapidi, audio semplice |
| base | ⭐⭐⭐ | ⭐⭐⭐⭐ | Uso generale, bilanciato |
| small | ⭐⭐⭐⭐ | ⭐⭐⭐ | Buona precisione, velocità ragionevole |
| medium | ⭐⭐⭐⭐⭐ | ⭐⭐ | Serve alta precisione |
| large | ⭐⭐⭐⭐⭐⭐ | ⭐ | Massima precisione, audio rumoroso |
Esempio di codice:
import whisper
def transcribe_with_optimal_model(audio_path, prioritize_accuracy=True):
"""
Select model based on accuracy vs speed priority.
Args:
audio_path: Path to audio file
prioritize_accuracy: True for accuracy, False for speed
"""
if prioritize_accuracy:
model_size = "medium" # or "large" for best accuracy
else:
model_size = "base" # or "small" for balanced
model = whisper.load_model(model_size)
result = model.transcribe(audio_path)
return result
# For critical transcriptions
result = transcribe_with_optimal_model("important_meeting.mp3", prioritize_accuracy=True)
Conclusione: Usate
medium o large quando la precisione è critica. Il costo in velocità vale spesso la pena per contenuti importanti.Suggerimento 2: Specificare la lingua quando è nota
Whisper può rilevare automaticamente la lingua, ma indicarla esplicitamente migliora la precisione:
import whisper
model = whisper.load_model("base")
# Auto-detect (less accurate)
result_auto = model.transcribe("audio.mp3")
# Specify language (more accurate)
result_en = model.transcribe("audio.mp3", language="en")
result_zh = model.transcribe("audio.mp3", language="zh")
result_es = model.transcribe("audio.mp3", language="es")
Perché aiuta:
- Meno errori di rilevamento lingua
- Risultati migliori per parlanti multilingue
- Elaborazione più veloce (salta il rilevamento)
- Migliore gestione di accenti e dialetti
Esempio con rilevamento lingua:
import whisper
import langdetect
def transcribe_with_language_detection(audio_path, model_size="base"):
"""
Detect language first, then transcribe with explicit language.
"""
model = whisper.load_model(model_size)
# Quick language detection
result_quick = model.transcribe(audio_path, language=None)
detected_lang = result_quick["language"]
# Re-transcribe with detected language for better accuracy
result = model.transcribe(audio_path, language=detected_lang)
return result
result = transcribe_with_language_detection("audio.mp3")
Suggerimento 3: Pre-elaborare l’audio prima della trascrizione
La pre-elaborazione può migliorare sensibilmente la precisione di Whisper:
import whisper
import numpy as np
from scipy.io import wavfile
from scipy import signal
def preprocess_audio(audio_path, output_path):
"""
Preprocess audio to improve transcription accuracy.
"""
# Read audio file
sample_rate, audio = wavfile.read(audio_path)
# Normalize audio (scale to [-1, 1])
if audio.dtype == np.int16:
audio = audio.astype(np.float32) / 32768.0
elif audio.dtype == np.int32:
audio = audio.astype(np.float32) / 2147483648.0
# Remove DC offset
audio = audio - np.mean(audio)
# Normalize volume
max_val = np.max(np.abs(audio))
if max_val > 0:
audio = audio / max_val * 0.95 # Leave headroom
# Resample to 16kHz (Whisper's optimal sample rate)
if sample_rate != 16000:
num_samples = int(len(audio) * 16000 / sample_rate)
audio = signal.resample(audio, num_samples)
sample_rate = 16000
# Save preprocessed audio
wavfile.write(output_path, sample_rate, (audio * 32767).astype(np.int16))
return output_path
# Usage
preprocessed = preprocess_audio("raw_audio.wav", "preprocessed.wav")
model = whisper.load_model("base")
result = model.transcribe(preprocessed)
Passi di pre-elaborazione:
- Normalizzare i livelli – volume uniforme
- Rimuovere l’offset DC – eliminare bias costante
- Ricampionare a 16 kHz – frequenza ottimale per Whisper
- Rimuovere il silenzio – concentrarsi sulla voce
- Ridurre il rumore – pulire lo sfondo
Suggerimento 4: Impostazioni di temperatura per risultati migliori
Il parametro
temperature controlla la casualità. Valori più bassi possono migliorare la precisione:import whisper
model = whisper.load_model("base")
# Default temperature (0.0)
result_default = model.transcribe("audio.mp3")
# Lower temperature for more deterministic results
result_low_temp = model.transcribe(
"audio.mp3",
temperature=0.0, # Most deterministic
best_of=5, # Try multiple decodings, pick best
beam_size=5 # Beam search size
)
Impostazioni di temperatura:
temperature=0.0: più deterministico, migliore precisionetemperature=0.2: poca casualità, buon equilibriotemperature=0.6: predefinito, bilanciato- Valori alti: più “creativo”, meno preciso
Best practice:
def transcribe_with_optimal_settings(audio_path, model_size="base"):
"""
Use optimal settings for maximum accuracy.
"""
model = whisper.load_model(model_size)
result = model.transcribe(
audio_path,
temperature=0.0, # Most deterministic
best_of=5, # Try 5 decodings, pick best
beam_size=5, # Beam search
patience=1.0, # Patience for beam search
condition_on_previous_text=True, # Use context
initial_prompt="This is a conversation about technology." # Context hint
)
return result
Suggerimento 5: Prompt iniziale per il contesto
Fornire contesto sul contenuto migliora la precisione:
import whisper
model = whisper.load_model("base")
# Without context
result_basic = model.transcribe("meeting.mp3")
# With context (much better accuracy)
result_context = model.transcribe(
"meeting.mp3",
initial_prompt="This is a business meeting discussing project timelines and deliverables."
)
# For technical content
result_tech = model.transcribe(
"lecture.mp3",
initial_prompt="This is a computer science lecture about machine learning and neural networks."
)
Quando usare prompt iniziali:
- Contenuto tecnico: includere termini di dominio
- Nomi e luoghi: menzionare nomi propri importanti
- Accenti: descrivere accento o dialetto
- Contesto: descrivere ambiente o argomento
Esempio:
def transcribe_with_context(audio_path, context_description):
"""
Transcribe with context for better accuracy.
"""
model = whisper.load_model("medium")
result = model.transcribe(
audio_path,
initial_prompt=context_description,
language="en"
)
return result
# Example usage
result = transcribe_with_context(
"interview.mp3",
"This is an interview with Dr. Sarah Johnson about medical research. "
"The conversation includes technical medical terminology."
)
Suggerimento 6: Gestire correttamente file audio lunghi
File molto lunghi possono ridurre la precisione. Ecco come procedere:
import whisper
from pydub import AudioSegment
import os
def transcribe_long_audio(audio_path, model_size="base", chunk_length_minutes=30):
"""
Transcribe long audio by splitting into optimal chunks.
"""
model = whisper.load_model(model_size)
# Load audio
audio = AudioSegment.from_file(audio_path)
chunk_length_ms = chunk_length_minutes * 60 * 1000
# Split into chunks
chunks = []
for i in range(0, len(audio), chunk_length_ms):
chunks.append(audio[i:i + chunk_length_ms])
# Transcribe each chunk
full_text = []
all_segments = []
for i, chunk in enumerate(chunks):
chunk_path = f"temp_chunk_{i}.wav"
chunk.export(chunk_path, format="wav")
print(f"Transcribing chunk {i+1}/{len(chunks)}")
result = model.transcribe(chunk_path)
# Adjust timestamps for chunk offset
offset = i * chunk_length_ms / 1000.0
for segment in result["segments"]:
segment["start"] += offset
segment["end"] += offset
all_segments.append(segment)
full_text.append(result["text"])
# Clean up
os.remove(chunk_path)
# Combine results
combined_result = {
"text": " ".join(full_text),
"segments": all_segments,
"language": result["language"]
}
return combined_result
# Usage
result = transcribe_long_audio("long_podcast.mp3", model_size="medium", chunk_length_minutes=30)
Best practice per audio lungo:
- Dividere in segmenti da 20–30 minuti
- Usare la stessa dimensione di modello per tutti i segmenti
- Mantenere contesto tra i segmenti
- Unire i segmenti con timestamp corretti
Suggerimento 7: Ottimizzare per audio rumoroso
Whisper gestisce bene il rumore, ma si può fare di più:
import whisper
import noisereduce as nr
import soundfile as sf
import numpy as np
def transcribe_noisy_audio(audio_path, model_size="medium"):
"""
Reduce noise before transcription for better accuracy.
"""
# Load audio
audio, sample_rate = sf.read(audio_path)
# Reduce noise
reduced_noise = nr.reduce_noise(
y=audio,
sr=sample_rate,
stationary=False, # For non-stationary noise
prop_decrease=0.8 # Reduce noise by 80%
)
# Save cleaned audio
cleaned_path = "cleaned_audio.wav"
sf.write(cleaned_path, reduced_noise, sample_rate)
# Transcribe with larger model (better for noisy audio)
model = whisper.load_model(model_size)
result = model.transcribe(cleaned_path)
# Clean up
os.remove(cleaned_path)
return result
# Usage
result = transcribe_noisy_audio("noisy_recording.mp3", model_size="medium")
Con audio rumoroso:
- Usare modelli
mediumolarge - Pre-elaborare con riduzione rumore
- Aumentare
best_of - Fornire contesto sulle condizioni di rumore
Suggerimento 8: Timestamp a livello di parola per più controllo
I timestamp parola per parola consentono un controllo più fine:
import whisper
model = whisper.load_model("base")
# Get word timestamps
result = model.transcribe(
"audio.mp3",
word_timestamps=True # Enable word-level timestamps
)
# Access word timestamps
for segment in result["segments"]:
print(f"Segment: {segment['text']}")
print(f"Start: {segment['start']:.2f}s, End: {segment['end']:.2f}s")
if "words" in segment:
for word in segment["words"]:
print(f" Word: {word['word']} ({word['start']:.2f}s - {word['end']:.2f}s)")
Casi d’uso:
- Sottotitoli: sincronizzazione precisa parola per parola
- Correzione errori: individuare parole problematiche
- Ricerca: trovare parole nella trascrizione
- Analisi del parlato: pattern di voce
Suggerimento 9: Combinare più decodifiche
Con
best_of si provano più decodifiche e si sceglie la migliore:import whisper
model = whisper.load_model("base")
# Single decoding (default)
result_single = model.transcribe("audio.mp3")
# Multiple decodings, pick best (more accurate)
result_best = model.transcribe(
"audio.mp3",
best_of=5, # Try 5 decodings
temperature=(0.0, 0.2, 0.4, 0.6, 0.8) # Different temperatures
)
Compromessi:
- Precisione: più alta con più decodifiche
- Velocità: più lenta (5× con
best_of=5) - Quando: precisione critica, velocità secondaria
Suggerimento 10: Post-elaborare le trascrizioni
La post-elaborazione corregge errori comuni di Whisper:
import re
import whisper
def post_process_transcript(text):
"""
Fix common transcription errors.
"""
# Fix common contractions
text = re.sub(r"\b(\w+) '(\w+)\b", r"\1'\2", text) # Fix spacing in contractions
# Fix common homophones (add your own)
replacements = {
"there": "their", # Context-dependent
"its": "it's", # Context-dependent
# Add more based on your domain
}
# Capitalize sentences
sentences = re.split(r'([.!?]\s+)', text)
capitalized = []
for i, sentence in enumerate(sentences):
if sentence.strip():
capitalized.append(sentence[0].upper() + sentence[1:] if len(sentence) > 1 else sentence.upper())
else:
capitalized.append(sentence)
return "".join(capitalized)
# Usage
model = whisper.load_model("base")
result = model.transcribe("audio.mp3")
processed_text = post_process_transcript(result["text"])
Esempio completo: ottimizzazione della precisione pronta per la produzione
Esempio che combina diversi suggerimenti sulla precisione:
import whisper
import os
from pathlib import Path
def transcribe_with_maximum_accuracy(
audio_path,
model_size="medium",
language=None,
context_prompt=None,
output_format="txt"
):
"""
Transcribe audio with maximum accuracy using best practices.
Args:
audio_path: Path to audio file
model_size: Whisper model size (medium or large recommended)
language: Language code (None for auto-detect)
context_prompt: Initial prompt for context
output_format: Output format (txt, json, srt)
"""
# Load model (medium or large for best accuracy)
print(f"Loading Whisper model: {model_size}")
model = whisper.load_model(model_size)
# Prepare transcription parameters
transcribe_kwargs = {
"temperature": 0.0, # Most deterministic
"best_of": 5, # Try multiple decodings
"beam_size": 5, # Beam search
"patience": 1.0,
"condition_on_previous_text": True,
"word_timestamps": True, # Get word-level timestamps
}
# Add language if specified
if language:
transcribe_kwargs["language"] = language
# Add context prompt if provided
if context_prompt:
transcribe_kwargs["initial_prompt"] = context_prompt
# Transcribe
print(f"Transcribing: {audio_path}")
result = model.transcribe(audio_path, **transcribe_kwargs)
# Post-process
result["text"] = post_process_transcript(result["text"])
# Save result
base_name = Path(audio_path).stem
output_path = f"{base_name}_transcript.{output_format}"
if output_format == "txt":
with open(output_path, "w", encoding="utf-8") as f:
f.write(result["text"])
elif output_format == "json":
import json
with open(output_path, "w", encoding="utf-8") as f:
json.dump(result, f, indent=2, ensure_ascii=False)
print(f"✓ Transcription saved: {output_path}")
print(f" Language: {result['language']}")
print(f" Duration: {result['segments'][-1]['end']:.2f}s")
return result
# Example usage
result = transcribe_with_maximum_accuracy(
audio_path="important_meeting.mp3",
model_size="medium",
language="en",
context_prompt="This is a business meeting discussing quarterly results and project updates.",
output_format="txt"
)
Confronto di precisione: prima e dopo l’ottimizzazione
Effetti tipici dell’ottimizzazione:
| Ottimizzazione | Miglioramento precisione | Impatto sulla velocità |
|---|---|---|
| Dimensione modello (base → medium) | +15–20% | −50% |
| Specifica della lingua | +5–10% | +10% (più veloce) |
| Prompt iniziale | +5–15% | Nessuno |
| Temperature=0.0 | +2–5% | Nessuno |
| best_of=5 | +3–8% | −80% (5× più lento) |
| Pre-elaborazione audio | +10–20% | Minimo |
Combinati, i miglioramenti possono aumentare la precisione del 30–50% rispetto alle impostazioni predefinite.
Riepilogo delle best practice
Per la massima precisione:
- ✅ Modello
mediumolarge - ✅ Lingua esplicita
- ✅ Contesto con
initial_prompt - ✅
temperature=0.0per risultati deterministici - ✅
word_timestampsper output dettagliato - ✅ Pre-elaborare audio rumoroso
- ✅ Dividere file lunghi
- ✅
best_of=5per contenuti critici
Per equilibrio velocità/precisione:
- ✅ Modello
smallobase - ✅ Rilevamento automatico della lingua
- ✅ Temperatura predefinita
- ✅ Senza
best_of - ✅ File elaborati così come sono (pre-elaborazione minima)
Errori comuni da evitare
❌ Modello tiny per contenuti importanti
Soluzione: Almeno
base, meglio small o medium❌ Non specificare la lingua
Soluzione: Specificarla sempre quando è nota
❌ Ignorare il contesto
Soluzione: Usare
initial_prompt per contenuti di dominio❌ Impostazioni predefinite con molto rumore
Soluzione: Modelli più grandi e pre-elaborazione
❌ File molto lunghi in un unico blocco
Soluzione: Segmenti da 20–30 minuti
Risoluzione dei problemi di precisione
Problema: Bassa precisione su termini tecnici
Soluzione:
result = model.transcribe(
"technical_audio.mp3",
initial_prompt="This audio contains technical terminology related to machine learning, neural networks, and deep learning."
)
Problema: Scarsa precisione con accenti
Soluzione:
# Use larger model
model = whisper.load_model("medium")
# Provide accent context
result = model.transcribe(
"accented_audio.mp3",
initial_prompt="This speaker has a British accent.",
language="en"
)
Problema: Errori su nomi propri
Soluzione:
# Include names in initial prompt
result = model.transcribe(
"interview.mp3",
initial_prompt="This interview features Dr. Sarah Johnson and Professor Michael Chen discussing research."
)
Conclusione
Migliorare la precisione di Whisper significa fare le scelte giuste:
- Modello:
mediumolargeper contenuti critici - Configurazione: temperatura e decodifica ottimali
- Contesto: informazioni di dominio
- Pre-elaborazione: audio pulito prima della trascrizione
- Post-elaborazione: correzione automatica degli errori comuni
Punti chiave:
- La dimensione del modello ha il maggior impatto
- Specificare la lingua migliora molto i risultati
- I prompt di contesto aiutano su contenuti specializzati
- Più decodifiche (
best_of) aumentano la precisione ma rallentano - La qualità audio resta il fattore principale
Seguendo questi suggerimenti potete ottenere una qualità di trascrizione paragonabile o superiore ai servizi commerciali, con pieno controllo su dati e flusso di lavoro.
Pronti a migliorare la precisione di Whisper? Passate a un modello più grande e indicate la lingua: vedrete subito i miglioramenti!