Svedese: quando "chiedi scusa!" è diventato "chiedo scusa"

Nel film svedese Ondskan (Evil, 2003) c'è una scena di bullismo in un collegio. Il bullo urla all'altro ragazzo "Be om ursäkt": chiedi scusa. ElevenLabs, Speechmatics, Soniox e Deepgram l'hanno trascritto tutti come "Jag ber om ursäkt", chiedo scusa. Chi pretendeva le scuse è diventato chi le porgeva.

Solo AssemblyAI l'ha azzeccato. Quella battuta è parte del motivo per cui AssemblyAI è ancora nella nostra formazione per lo svedese.

Le clip di prova

Quattro clip, tutte da cinema e TV. Non pubblichiamo l'audio.

Le prime due servono a far fallire i motori. Le ultime due sono più vicine a una vera intervista.

I motori che abbiamo testato

ElevenLabs Scribe v2, AssemblyAI, Speechmatics, Soniox, Deepgram, Qwen, FunASR e Doubao. Abbiamo aggiunto Gemini ad agosto 2026.

Lo svedese non è nell'elenco pubblicato da Doubao delle 25 lingue supportate. Se gli si dà lo svedese restituisce inglese, a volte in loop: "I don't know", quindici volte di fila. Per questa lingua è stato escluso.

Le linee rosse

I capovolgimenti di negazione e di posizione sono stati il problema più comune in svedese. La battuta iniziale è uno di questi. ElevenLabs ha anche perso un inte in Tillsammans, per cui "non guardarli, non ascoltarli" è uscito come "non guardarli, ascoltali". Speechmatics ha trasformato "Tycker du" (pensi) in "Jag tycker" (penso), e ha cambiato "il più goffo" in "il più disonesto", il che trasforma un'osservazione sulla goffaggine in un attacco al carattere di qualcuno.

Frasi allucinate — in un primo momento ne abbiamo attribuite tre ad AssemblyAI nelle due scene di gruppo: battute che non erano nei sottotitoli. In revisione, Soniox e Qwen hanno sentito le stesse parole negli stessi punti. Erano i sottotitoli ad aver tralasciato dialoghi reali. Da allora, quando più motori sono d'accordo contro il riferimento, controlliamo prima il riferimento.

Loop: in svedese Qwen tendeva a ripetersi; la nostra scansione automatica ha contato una parola ripetuta 35 volte in un breve tratto. Speechmatics ha trasformato la folla che scandiva "Kryp!" in dodici "Hi". A rigore è una sostituzione, ma il significato è perso in ogni caso.

La deriva linguistica si è vista solo con Doubao. Non abbiamo visto un caso chiaro di passaggi persi o di contenuto inserito da parte di nessun motore su queste clip.

Cosa abbiamo scelto

• Motore principale: ElevenLabs Scribe v2. Il più completo e fedele nelle quattro clip, senza loop. Entrambi i suoi capovolgimenti sono avvenuti nelle scene di gruppo; sulle due clip in stile intervista non ne ha avuti.
• Motori di riferimento: AssemblyAI, Soniox, Gemini.

AssemblyAI: è stato l'unico motore ad azzeccare la battuta delle scuse, ed è stato pulito su entrambe le clip in stile intervista.

Soniox ha sostituito Speechmatics. Speechmatics risultava a verbale come "nessun capovolgimento". Quando siamo tornati sulle clip, non ha retto: Speechmatics era tra i motori che hanno sbagliato la battuta delle scuse, e gli altri due cambiamenti citati sopra erano suoi. Su queste quattro clip Soniox non ha avuto nessuna linea rossa che fosse solo sua. In ogni punto in cui Speechmatics perdeva punti, Soniox o l'azzeccava o lasciava un vuoto invece di tirare a indovinare.

Gemini si è aggiunto ad agosto. Zero linee rosse su entrambe le clip in stile intervista. Su Morgonstudion ha prodotto 730 parole, la trascrizione più completa del gruppo, con titoli di libri e nomi intatti.

Prove contro le nostre scelte

• Anche ElevenLabs ha capovolto il significato due volte. Funziona come motore principale perché i motori di riferimento possono coglierlo in punti come questi.
• Gemini ha trasformato "hai distrutto la famiglia" in "ho distrutto la famiglia" in Tillsammans.
• Una prima scansione automatica ha rilevato che in svedese Soniox produceva 1,8 volte le parole del riferimento, con ripetizioni. Una revisione riga per riga non ha poi trovato nessuna linea rossa esclusiva di Soniox, ma non abbiamo dimenticato il segnale.
• Su Babel, la clip più pulita, Speechmatics ha ottenuto un WER del 32,7%, nella stessa fascia più bassa del 32,5% di Qwen. ElevenLabs ha ottenuto il 44,0%. Abbiamo comunque escluso Speechmatics, perché quello che contiamo è quanto spesso il significato va storto, e su quella misura ha fatto peggio.

Cosa resta aperto

Quattro clip: due scene di gruppo da film, due segmenti TV. Nessuna è una vera intervista di ricerca, e non ne abbiamo scelta nessuna per gli accenti regionali. E casi come la battuta iniziale, in cui più motori fanno lo stesso errore e solo uno l'azzecca, non si possono correggere con un voto a maggioranza. Per questo su negazione e significato invertito non seguiamo la maggioranza: senza prove solide, la battuta viene segnalata perché una persona la ascolti.