Italiano: quando la nostra traccia principale ha scambiato lo sconforto per un complimento

In I soliti ignoti, una banda di aspiranti ladri ha appena guardato delle riprese girate di nascosto, e uno di loro dice, frustrato, "é finita la pellicola": la pellicola è finita. La nostra traccia principale, ElevenLabs, ha scritto "il film è bellissimo". Lo sconforto è diventato un complimento.

Dei dieci motori che hanno girato su questo spezzone, solo Doubao ha azzeccato quella battuta. AssemblyAI ha sentito "benzina", Gladia ha sentito "bestia" e Speechmatics l'ha persa. L'italiano è il nostro esempio più chiaro di una traccia di riferimento che corregge la traccia principale.

Gli spezzoni di test

Quattro scene da film che coprono quattro accenti regionali:

• I soliti ignoti (1958, Roma): una banda che guarda filmati di sorveglianza, studia una cassaforte, poi tratta con un fabbro, con molto parlato sovrapposto.
• Baarìa (2009, Sicilia): un'affollata scena di piazza di paese con un barbiere, un ufficio postale e una copia di Marx presa in prestito.
• Ammore e malavita (2017, Napoli): condoglianze a un funerale, poi una vedova che dà un prezzo alla vendetta.
• Il Capitale Umano (2013, Milano/nord): il consiglio di un teatro che discute il suo programma, in un italiano standard chiaro.

Sui tre livelli del primo articolo, Il Capitale Umano sta vicino al livello intermedio e gli altri tre sono nel più difficile. Il livello base non è coperto.

Diversi film hanno una colonna sonora, numeri musicali o canzoni di sottofondo, quindi abbiamo tagliato attorno ai passaggi in cui la musica copre il dialogo.

I candidati

ElevenLabs, AssemblyAI, Doubao, Speechmatics (due modelli), Soniox, Gladia, Deepgram, FunASR, Qwen e, più tardi, Gemini.

Le sei linee rosse, motore per motore

Passaggi persi. Deepgram è andato in pezzi su tutti e tre gli spezzoni difficili. I soliti ignoti ha 324 parole nel riferimento; Deepgram ne ha restituite 134. Baarìa ne ha 121; ne ha restituite 64. La scena napoletana ne ha 103; ne ha restituite 15, perdendo del tutto i primi 90 secondi di condoglianze e accuse.

Significato ribaltato. Oltre alla battuta della traccia principale, Gladia ha trasformato "è stato Ciro che ha venduto Vincenzo" in una battuta sull'essere traditi da "vincenza", invertendo chi ha tradito chi. Speechmatics ha trasformato "darà un milione" in "Non era 1.000.000", aggiungendo una negazione.

Parole e frasi inventate. Speechmatics ha trasformato il cognome del boss, Strozzalone, in "stronza", un insulto rivolto alle donne. Gladia ha trasformato "ho fatto un regalo" in una parolaccia. Soniox ha inserito nella scena napoletana un'intera frase che nessuno pronuncia, "Il ciccio di Masellini".

Loop di ripetizione. Qwen è finito in un loop, ripetendosi dieci volte in un punto, e ha anche perso la parola di negazione mica, ribaltando un significato.

Deriva di lingua. Vedi la parte su Gemini più sotto.

La scena milanese è il caso di controllo. Sull'italiano standard chiaro tutti e sette i motori sono stati puliti, e perfino Deepgram ha tenuto. Ognuno degli errori dannosi elencati sopra veniva da parlato sovrapposto o da un dialetto marcato.

Cosa abbiamo scelto

Traccia principale: ElevenLabs Scribe v2. Pulito su tre spezzoni su quattro, e nettamente davanti a tutti sul dialetto napoletano. Il ribaltamento in I soliti ignoti è la sua unica linea rossa in questa lingua.

Tracce di riferimento, in ordine di priorità:

1. AssemblyAI (universal-2): nessuna frase inventata, nessun ribaltamento e nessun cedimento su tutti e quattro gli spezzoni e tutti e quattro gli accenti.
2. Doubao: anche lui nessuna frase inventata, nessun ribaltamento e nessun cedimento. È stato il più pulito sugli spezzoni di Roma e Sicilia, e l'unico motore ad azzeccare la battuta sulla pellicola.
3. Gemini: aggiunto il 26 agosto 2026.

AssemblyAI e Doubao sono stati gli unici due motori di questo turno a non aver mai inventato, mai ribaltato un significato e mai ceduto su nessuno spezzone.

Prove contro la nostra scelta

• La traccia principale ha ribaltato una battuta chiave. È la prova più diretta contro la nostra configurazione in italiano. Contiamo sulle tracce di riferimento per coglierlo, il che funziona solo se una traccia di riferimento ha ragione proprio in quel punto.
• Le nostre prove su Gemini in italiano sono scarse. Nel test su 26 lingue, l'italiano è stato classificato come "serve altro testing": avevamo un solo spezzone di conversazione, e Gemini è stato pulito. Sulle due scene di folla con dialetto marcato è arrivato ultimo entrambe le volte. In Baarìa, dove la battuta reale è "Papà, sono stato invitato?", ha scritto una frase senza alcun legame che significa più o meno "Che bella palla, quanti bambini, la voglio!". In Ammore ha prodotto dal nulla un passaggio in inglese: "Don't leave us alone, don't be shy. When I was a child, I used to make." Gemini resta tra le tracce di riferimento, ma in questa lingua le prove a suo favore si riducono a quel solo spezzone di conversazione.
• L'altro modello di Speechmatics è meno dannoso, ma non innocuo. Melia-1 non ha ripetuto l'insulto né aggiunto la negazione, ma ha ripetuto "un bianco" quattro volte.

Domande aperte e limiti

• Tutti e quattro gli spezzoni vengono da film, il più vecchio del 1958. L'audio è molto lontano da una registrazione di intervista moderna.
• Nessuno spezzone di livello base e nessuna intervista reale. Gemini in particolare manca ancora di un solido campione di conversazione in italiano.
• I nomi non sono stati valutati. I motori li sbagliano regolarmente, e se ne occupa il glossario.