Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Casi d'uso della trascrizione audio

Lezione 3 di 16 Aggiornata il 3 novembre 2026 Sviluppatore
In questa pagina
  1. Perché automatizzare la trascrizione audio
  2. Sottotitolazione automatica
  3. Verbali di riunione
  4. Podcast e interviste
  5. Accessibilità digitale
  6. Altre applicazioni
  7. Punti chiave

Corso aggiornato il 3 novembre 2026 per Voxtral 3, basato sulla guida Migrate from Voxtral 2 di Mistral: i modelli Voxtral 2 (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603), deprecati il 31 ottobre 2026 e ritirati il 30 aprile 2027, sono sostituiti negli esempi da voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 e voxtral-mini-tts-3-0. Cambiamenti chiave: timestamping solo a livello di segmento (word restituisce un errore 400), supporto alla diarizzazione in tempo reale, impostazioni di sessione in tempo reale bloccate dopo il primo chunk audio e input context_bias flessibili (frasi con spazi). Fonti: Migrate from Voxtral 2 · Speech to Text.

Perché automatizzare la trascrizione audio

La trascrizione automatica converte un flusso audio in testo strutturato e utilizzabile. Con le prestazioni attuali di Voxtral, il tasso di errore è abbastanza basso da permettere un uso diretto in molti contesti professionali senza una revisione esaustiva. Questo dettaglio cambia l’equazione economica: finché rimane necessaria una revisione riga per riga, l’automazione sposta semplicemente il lavoro invece di eliminarlo.

I casi d’uso seguenti condividono una caratteristica comune: ciascuno si basa su un parametro API specifico. Imparare a riconoscerli ti evita di ricostruire manualmente ciò che il modello produce già.

Sottotitolazione automatica

La sottotitolazione è l’applicazione più diretta. Il timestamping a livello di segmento di Voxtral Mini Transcribe 3 fornisce l’ora di inizio e fine di ogni segmento di trascrizione, sufficiente per generare file SRT o VTT sincronizzati con il parlato. Abiliti questo output con timestamp_granularities=["segment"]; il timestamping a livello di parola, disponibile in Voxtral 2, restituisce ora un errore 400. Se un segmento è troppo lungo per lo schermo, lo suddividi ulteriormente lato client.

Nella pratica, un’organizzazione di e-learning lo usa per sottotitolare il proprio catalogo video, un’agenzia governativa per rendere i contenuti accessibili agli utenti sordi e ipoudenti, e un editore per produrre sottotitoli multilingue concatenando trascrizione e traduzione. Per webinar o conferenze in diretta, la necessità è identica ma si sposta su Voxtral Realtime, poiché il file non è disponibile nel momento in cui i sottotitoli devono apparire.

Esempio: generazione di sottotitoli SRT

from mistralai.client import Mistral

client = Mistral(api_key="YOUR_API_KEY")

with open("video_audio.mp3", "rb") as f:
    response = client.audio.transcriptions.complete(
        model="voxtral-mini-transcribe-3",
        file={"content": f, "file_name": "video_audio.mp3"},
        timestamp_granularities=["segment"]
    )

# Genera un file SRT: un sottotitolo per segmento
def to_srt(segments):
    srt_lines = []
    for idx, seg in enumerate(segments, 1):
        srt_lines.append(f"{idx}")
        srt_lines.append(f"{format_time(seg.start)} --> {format_time(seg.end)}")
        srt_lines.append(seg.text.strip())
        srt_lines.append("")
    return "\n".join(srt_lines)

def format_time(seconds):
    h = int(seconds // 3600)
    m = int((seconds % 3600) // 60)
    s = int(seconds % 60)
    ms = int((seconds % 1) * 1000)
    return f"{h:02d}:{m:02d}:{s:02d},{ms:03d}"

Verbali di riunione

Combinando trascrizione + diarizzazione, Voxtral diventa uno strumento serio per i verbali di riunione automatici. Il modello identifica ogni interlocutore e produce una trascrizione strutturata per partecipante, mentre una trascrizione piatta costringe il lettore a indovinare chi sta parlando. Bastano due parametri: diarize=True per separare gli interlocutori e timestamp_granularities=["segment"] per ottenere blocchi temporali.

Un team lo usa per i check-in settimanali, un consiglio di amministrazione per le riunioni dei comitati e un dipartimento qualità per archiviare e cercare nello storico delle riunioni. Il testo diarizzato funge anche da materia prima per estrarre automaticamente decisioni e azioni da intraprendere.

Flusso di lavoro tipico

response = client.audio.transcriptions.complete(
    model="voxtral-mini-transcribe-3",
    file={"content": audio_file, "file_name": "reunion.mp3"},
    diarize=True,
    timestamp_granularities=["segment"]
)

# Ogni segmento contiene: speaker, start, end, text
for segment in response.segments:
    print(f"[{segment.speaker_id}] ({segment.start:.1f}s) {segment.text}")

Puoi quindi inviare il risultato a un LLM (Mistral Large 3, ad esempio) per estrarre un riassunto, le decisioni prese e le azioni da intraprendere.

Podcast e interviste

Podcast e interviste sono contenuti di lunga durata – dai trenta minuti a oltre due ore – con da due a cinque partecipanti. Voxtral distingue il conduttore dagli ospiti grazie alla diarizzazione e rispetta i nomi degli interlocutori e il gergo specifico dell’argomento grazie al context biasing. Per le registrazioni più lunghe, tieni presente la finestra di contesto, condivisa tra audio e vocabolario: una richiesta che la supera viene rifiutata con un errore 400 (nulla viene troncato); suddividi invece l’audio.

Un produttore di podcast lo usa per generare una trascrizione completa pubblicata come articolo, un’indicizzazione full-text per archivi ricercabili, note di spettacolo generate automaticamente e citazioni pronte per il clipping sui social media. Lo stesso file audio alimenta così quattro deliverable diversi.

Accessibilità digitale

La trascrizione automatica è un pilastro dell’accessibilità digitale, mandated dal European Accessibility Act (giugno 2025). La sottotitolazione dei contenuti video è ora un obbligo di legge, insieme alla trascrizione dei messaggi vocali in testo, alla fornitura di descrizioni testuali dei contenuti audio – che incidentalmente favorisce la SEO – e al mantenimento di archivi accessibili delle registrazioni.

Voxtral ti permette di automatizzare questi obblighi su larga scala, con un costo marginale per minuto di audio molto inferiore alla trascrizione umana. Per un catalogo di diverse centinaia di ore, questa è la differenza tra un rollout di conformità preventivato e uno rimandato a tempo indeterminato.

Altre applicazioni

SettoreCaso d’uso tipico
Call centerTrascrizione e analisi delle conversazioni con i clienti per il monitoraggio della qualità
SanitàDettatura di rapporti con context biasing per vocabolario specializzato
LegaleTrascrizione di udienze e deposizioni
IstruzioneTrascrizione di lezioni per gli studenti
GiornalismoTrascrizione rapida di interviste sul campo

Prima di scrivere qualsiasi codice, identifica il caso d’uso più vicino al tuo in questo elenco e annota i parametri richiesti. È questa combinazione – non il modello da solo – a determinare la qualità del tuo risultato.

Punti chiave

  • La sottotitolazione usa il timestamping a livello di segmento per generare file SRT/VTT
  • I verbali di riunione combinano diarizzazione e trascrizione segmentata
  • Podcast e interviste beneficiano del supporto audio lungo (3h) e del context biasing
  • L’accessibilità digitale è un obbligo di legge che Voxtral aiuta ad automatizzare
  • Ogni caso d’uso si basa su parametri specifici dell’API Voxtral