Cos'è il Word Error Rate (WER): come leggere il «99% di precisione»

Il Word Error Rate (WER, tasso di errore sulle parole) è il metro standard del riconoscimento vocale: prendi una trascrizione di riferimento perfetta, confronti parola per parola il risultato della macchina e conti gli errori. Un WER del 5% corrisponde più o meno a una «precisione del 95%», ed è proprio in questo passaggio dalla metrica al marketing che cominciano i problemi. Il WER è una misura reale e utile; il modo in cui viene citato nelle pubblicità è quasi privo di significato. Ecco come funziona la metrica, cosa nasconde e come valutare le promesse di precisione da persona informata.

Come si calcola il Word Error Rate

Allinea la trascrizione della macchina con un riferimento verificato da una persona e conta tre tipi di errore:

• Sostituzioni: la parola sbagliata, come «anno» al posto di «hanno» o «bla bla scrive» al posto di «BlaBlaScribe».

• Cancellazioni: parole che la macchina ha perso per strada.

• Inserimenti: parole inventate, spesso a partire dal rumore di fondo.

Poi: WER = (S + D + I) ÷ N, dove N è il numero di parole del riferimento. Dieci errori su un riferimento di 200 parole = WER del 5%. Poiché anche gli inserimenti contano, su un audio inservibile il WER può superare il 100%: una stranezza che la dice lunga sulla natura letterale della metrica. (La metrica nasce dalla distanza di edit; la voce di Wikipedia riporta la definizione formale.)

Cosa nasconde il WER

Tutti gli errori pesano uguale, ma non dovrebbero

Perdere un «ehm» e storpiare il nome dell'amministratore delegato valgono un errore ciascuno per il WER. Per chi legge, il primo è invisibile e il secondo finisce in uno screenshot. Le trascrizioni reali si giocano tutto su quali parole sono sbagliate (nomi, numeri, negazioni) e il WER non vede la differenza. («Ha detto sì» e «ha detto no» sono separati da una sola sostituzione.)

Il numero non significa nulla senza l'audio di prova

Lo stesso sistema può ottenere un WER del 4% su un podcast registrato in studio e del 30% sulla registrazione al telefono di una ressa di cronisti sotto il vento. Il «99% di precisione» di un fornitore è stato misurato su qualcosa: quasi certamente parlato pulito, con accento madrelingua e un solo parlante. Il tuo audio è l'unico banco di prova che predice i tuoi risultati, ed è il nocciolo onesto della nostra guida sul perché la precisione della trascrizione varia.

I giochi della normalizzazione

Prima del confronto i testi vengono normalizzati: maiuscole, punteggiatura, «20» contro «venti», parole riempitive. Scelte di normalizzazione diverse spostano il WER di qualche punto. I numeri pubblicati raramente dichiarano queste scelte, e questo rende i confronti tra fornitori basati sulle cifre di facciata soprattutto una messinscena.

Il WER non dice nulla sul resto del prodotto

Errori di attribuzione dei parlanti, punteggiatura sbagliata, timestamp che slittano: niente di tutto questo entra nel WER. Una trascrizione con un WER del 3% e un riconoscimento dei parlanti tutto mescolato è un risultato peggiore di una con il 5% e attribuzioni pulite. (La diarizzazione ha una sua metrica, il DER, che i fornitori citano ancora più di rado.)

Come leggere una promessa di precisione

Una rapida tabella di traduzione per il linguaggio del marketing:

Nessuna di queste è una bugia vera e propria: sono numeri del caso migliore presentati come tipici. Il segno di un discorso onesto sulla precisione sono le condizioni: quale audio, quali accenti, quale normalizzazione.

L'unico benchmark che conta: il tuo

Provare batte leggere. La procedura richiede venti minuti:

1. Scegli una registrazione reale: i tuoi soliti microfoni, i tuoi accenti, le tue voci sovrapposte. Non il file più pulito, quello tipico.

2. Passala negli strumenti che stai confrontando (i piani gratuiti esistono proprio per questo: la nostra guida agli strumenti gratuiti li passa in rassegna).

3. Non calcolare un WER formale: leggi. Controlla le parole che ti costano care: nomi, numeri, termini tecnici, negazioni. Conta quegli errori.

4. Controlla il contorno: i parlanti sono giusti? La punteggiatura è leggibile? I timestamp sono cliccabili per la verifica?

5. Cronometra la correzione: i minuti necessari per arrivare a un testo pubblicabile nell'editor di ogni strumento sono la metrica che la tua settimana sente davvero.

Domande frequenti

Qual è un buon WER per la trascrizione con l'IA nel 2026?

Su parlato pulito e ben microfonato, i sistemi migliori stanno su valori bassi a una cifra: un risultato davvero eccellente. Su audio difficile (rumore, accenti marcati, sovrapposizioni) il WER sale ripidamente per tutti i sistemi. Non esiste un unico numero onesto.

Una precisione del 95% è buona?

Vuol dire un errore ogni venti parole: si nota in ogni riga di una trascrizione densa. Se sia «buona» dipende interamente da quali parole sono sbagliate e da quanto in fretta l'editor ti permette di correggerle.

Perché tutti i fornitori dichiarano circa il 99%?

Perché lì arrivano i numeri del caso migliore sui benchmark puliti, e nessuno pubblicizza il punteggio ottenuto in un parcheggio battuto dal vento. Considera le promesse tutte uguali come la prova che la metrica ha smesso di distinguere, non che gli strumenti si equivalgano.

Un WER più basso significa sempre una trascrizione migliore?

Di solito sì, a parità di audio, ma il valore pratico lo decidono attribuzione, punteggiatura e facilità di modifica. Confronta trascrizioni finite, non decimali.

In conclusione

Il WER è un'ottima metrica ingegneristica e una pessima guida all'acquisto. Sappi cosa conta, nota cosa ignora e lascia che una sola registrazione reale e imperfetta, letta con i tuoi occhi, valga più di ogni percentuale in ogni pubblicità.