In questo articolo Indice dei contenuti 2 sezioni
Muse Voice Transcribe è il nome del modello con cui Meta prova a risolvere uno dei problemi più fastidiosi della trascrizione automatica, quello delle riunioni affollate dove le voci si accavallano e nessuno aspetta il proprio turno per parlare. Trascrivere un monologo, in fondo, è diventato quasi banale. Il vero scoglio arriva quando le persone al tavolo sono tante, quando due frasi partono insieme e quando qualcuno cambia lingua a metà discorso.
Chi ha provato a usare i servizi di trascrizione esistenti in una call un po’ movimentata sa bene come va a finire. Finché parla una persona alla volta il risultato regge, a volte è pure sorprendente. Ma basta che si sovrappongano tre voci, che il numero di partecipanti cresca e che qualcuno infili una parola in un’altra lingua nel mezzo della frase, e il testo che esce fuori diventa spesso inutilizzabile. È esattamente il terreno su cui si sta muovendo una nuova generazione di modelli audio, pensati per avvicinare la macchina a qualcosa che somigli davvero all’ascolto umano.
Cosa sa fare il modello di Meta
Meta è la prima a mettere sul tavolo qualcosa di concretamente evoluto in questo campo. Muse Voice Transcribe è il suo primo modello progettato per lavorare in tempo reale, e secondo l’azienda regge sessioni della durata di un’ora con oltre 20 interlocutori diversi. Non è un numero buttato lì a caso, perché venti voci significano venti timbri, venti ritmi, venti modi di articolare le parole che il sistema deve tenere separati mentre la conversazione va avanti senza pause.
C’è poi la questione delle lingue. Il modello riconosce il cosiddetto code switching, cioè quel fenomeno per cui una persona passa da un idioma all’altro dentro la stessa conversazione, a volte perfino dentro la stessa frase. Chi lavora in ambienti internazionali lo fa continuamente, spesso senza accorgersene, e per un software di trascrizione tradizionale è una specie di incubo. Il termine tecnico esiste da tempo nella linguistica, ma solo ora inizia a essere gestito in modo credibile da un sistema automatico che deve decidere in frazioni di secondo cosa sta ascoltando.
Il trucco sta nel ritardo adattivo
La parte più interessante riguarda il modo in cui il sistema affronta il compito. Non applica sempre lo stesso tempo di elaborazione a tutto quello che sente, ma sfrutta un ritardo adattivo. Tradotto in parole semplici, davanti a una parola difficile o ambigua si concede qualche istante in più prima di decidere, mentre conferma molto rapidamente quelle che riconosce senza esitazioni.
È una scelta che punta dritta al cuore del problema, perché nella trascrizione automatica velocità e precisione tirano quasi sempre in direzioni opposte. Un modello troppo veloce sbaglia, uno troppo prudente arriva in ritardo e diventa inutile in una conversazione dal vivo. Il compromesso trovato da Meta consiste proprio nel distribuire il tempo in modo intelligente, spendendolo dove serve e risparmiandolo dove non serve.
Il risultato, sulla carta, è una trascrizione in tempo reale che si comporta più come un ascoltatore attento che come un registratore evoluto. Una persona che partecipa a una riunione non trascrive tutto con la stessa attenzione, rallenta mentalmente sui passaggi complicati e scorre veloce su quelli scontati, e il principio applicato qui somiglia parecchio a quel meccanismo.
Per ora il quadro tracciato dall’azienda riguarda sessioni lunghe fino a un’ora, un numero di partecipanti superiore a venti e la capacità di seguire i cambi di lingua senza perdere il filo. Sono i tre parametri su cui Muse Voice Transcribe viene presentato, e sono anche quelli che finora hanno messo in difficoltà praticamente tutti gli strumenti di trascrizione in circolazione.
