WEBVTT 00:00:01.360 --> 00:00:03.439 Salve a tutti, siete all'ascolto di 00:00:03.439 --> 00:00:05.759 INSiDER - Dentro la Tecnologia, 00:00:05.759 --> 00:00:08.000 un podcast di Digital People e 00:00:08.000 --> 00:00:09.199 io sono il vostro host, 00:00:09.199 --> 00:00:10.240 Davide Fasoli. 00:00:17.015 --> 00:00:19.974 Oggi parleremo di come l'intelligenza artificiale 00:00:19.974 --> 00:00:22.134 riesce a comprendere la nostra voce, 00:00:22.134 --> 00:00:24.934 dalle tecnologie di trascrizione e diarizzazione 00:00:25.079 --> 00:00:27.000 fino ai servizi che già usiamo 00:00:27.000 --> 00:00:27.960 ogni giorno. 00:00:28.039 --> 00:00:30.199 Infine proveremo in anteprima la nuova 00:00:30.199 --> 00:00:34.039 Insta360 WAVE, un registratore intelligente pensato 00:00:34.039 --> 00:00:35.640 proprio per queste funzioni. 00:00:35.799 --> 00:00:37.239 Prima di passare alle notizie che 00:00:37.239 --> 00:00:39.255 più ci hanno colpito questa settimana, 00:00:39.255 --> 00:00:41.015 vi ricordo che potete seguirci su 00:00:41.015 --> 00:00:44.854 Instagram a @dentrolatecnologia, iscrivervi alla newsletter 00:00:44.854 --> 00:00:46.614 e ascoltare un nuovo episodio ogni 00:00:46.614 --> 00:00:48.614 sabato mattina, su Spotify, 00:00:48.614 --> 00:00:51.895 Apple Podcast, YouTube Music oppure direttamente 00:00:51.895 --> 00:00:52.774 sul nostro sito. 00:01:05.760 --> 00:01:07.599 Nel 2009, l'Unione Europea, 00:01:07.599 --> 00:01:09.734 con la Direttiva sulla Privacy Digitale, 00:01:09.734 --> 00:01:11.734 o e-Privacy, ha imposto a tutti 00:01:11.734 --> 00:01:13.655 i siti web l'utilizzo dei cosiddetti 00:01:13.655 --> 00:01:15.974 "cookie banner", con cui l'azienda o 00:01:15.974 --> 00:01:17.974 il titolare del trattamento dei dati 00:01:17.974 --> 00:01:20.295 informa l'utente visitatore di come e 00:01:20.295 --> 00:01:21.814 quali cookie vengono utilizzati. 00:01:22.120 --> 00:01:24.200 Tra questi, cookie necessari, 00:01:24.200 --> 00:01:25.640 ad esempio per la gestione del 00:01:25.640 --> 00:01:27.079 login o della sessione, 00:01:27.079 --> 00:01:28.920 ma anche cookie facoltativi, 00:01:28.920 --> 00:01:31.000 volti a tracciare le attività dell'utente 00:01:31.000 --> 00:01:32.280 a fini pubblicitari. 00:01:32.280 --> 00:01:33.319 E come ben sappiamo, 00:01:33.319 --> 00:01:35.400 la direttiva impone che ogni visitatore 00:01:35.625 --> 00:01:36.905 sia libero di decidere, 00:01:36.905 --> 00:01:39.784 tra quelli facoltativi, quali cookie abilitare. 00:01:39.784 --> 00:01:41.224 Tuttavia, dopo 16 anni, 00:01:41.224 --> 00:01:42.665 l'UE si è accorta di come 00:01:42.665 --> 00:01:45.064 l'uso dei cookie banner sia diventato 00:01:45.064 --> 00:01:46.745 non solo inutile a proteggere la 00:01:46.745 --> 00:01:50.159 privacy dei cittadini, ma addirittura controproducente, 00:01:50.239 --> 00:01:52.319 in quanto è ormai istantaneo cliccare 00:01:52.319 --> 00:01:54.239 "accetta tutti i cookie" per nascondere 00:01:54.239 --> 00:01:56.479 il banner senza leggere l'informativa. 00:01:56.479 --> 00:01:58.239 Per questo motivo, la Commissione Europea 00:01:58.239 --> 00:02:00.879 sta valutando modifiche sulla direttiva per 00:02:00.879 --> 00:02:02.719 ridurre le casistiche in cui è 00:02:02.719 --> 00:02:04.765 necessario un cookie banner o addirittura 00:02:04.765 --> 00:02:06.765 imporre che la scelta sia impostabile 00:02:06.765 --> 00:02:08.764 globalmente tramite il proprio browser. 00:02:08.764 --> 00:02:10.364 Come era prevedibile, ci sono già 00:02:10.364 --> 00:02:12.604 creati schieramenti contrari o a favore 00:02:12.604 --> 00:02:14.525 di queste proposte, tra chi solleva 00:02:14.525 --> 00:02:16.444 preoccupazioni su un possibile via libera 00:02:16.444 --> 00:02:18.044 al tracciamento dei dati o al 00:02:18.044 --> 00:02:19.324 mercato dei cookie banner, 00:02:19.324 --> 00:02:20.919 su cui sono nate negli anni 00:02:20.919 --> 00:02:23.000 figure di professionisti e corsi formativi 00:02:23.000 --> 00:02:23.800 in materia. 00:02:23.800 --> 00:02:25.479 Dall'altra parte, è chiaro che troppi 00:02:25.479 --> 00:02:28.520 consensi paradossalmente uccidono il consenso ed 00:02:28.520 --> 00:02:30.759 è quindi necessario un cambio di approccio. 00:02:33.875 --> 00:02:36.594 Questa settimana, durante una conferenza stampa, 00:02:36.594 --> 00:02:38.114 la NASA ha annunciato la data 00:02:38.114 --> 00:02:39.955 per la partenza della seconda missione 00:02:39.955 --> 00:02:42.114 del programma Artemis, con l'obiettivo di 00:02:42.114 --> 00:02:44.034 riportare l'uomo sulla Luna e stabilire 00:02:44.034 --> 00:02:46.995 una presenza permanente sulla superficie del satellite. 00:02:47.270 --> 00:02:49.030 Da quanto emerso dalla conferenza, 00:02:49.030 --> 00:02:50.469 la prima finestra utile per il 00:02:50.469 --> 00:02:52.389 lancio di Artemis II si aprirà 00:02:52.389 --> 00:02:54.870 il 5 febbraio prossimo e proseguirà 00:02:54.870 --> 00:02:55.669 per tutto il mese, 00:02:55.669 --> 00:02:57.349 in modo tale da poter lanciare 00:02:57.349 --> 00:02:59.990 il razzo SLS entro marzo. 00:02:59.990 --> 00:03:01.830 La missione avrà una durata complessiva 00:03:01.830 --> 00:03:03.455 di 10 giorni e vedrà un 00:03:03.455 --> 00:03:05.775 equipaggio composto da quattro astronauti che, 00:03:05.775 --> 00:03:07.694 oltre a eseguire un fly-by, 00:03:07.694 --> 00:03:09.855 ovvero un passaggio ravvicinato sulla Luna, 00:03:09.855 --> 00:03:11.855 dovranno compiere diversi test già in 00:03:11.855 --> 00:03:13.855 orbita terrestre, tra cui una prova 00:03:13.855 --> 00:03:15.615 di attracco con il secondo stadio 00:03:15.615 --> 00:03:18.169 del razzo Space Launch System per 00:03:18.169 --> 00:03:20.889 testare la manovrabilità della capsula Orion, 00:03:20.889 --> 00:03:22.569 la quale in futuro dovrà attraccare 00:03:22.569 --> 00:03:24.330 con una Starship o con la 00:03:24.330 --> 00:03:26.250 stazione lunare Gateway. 00:03:28.889 --> 00:03:30.889 Il Digital Markets Act, 00:03:30.889 --> 00:03:33.465 DMA, è la normativa antitrust europea 00:03:33.465 --> 00:03:35.465 nata per limitare il potere dei 00:03:35.465 --> 00:03:37.944 giganti del digitale, imponendo regole più 00:03:37.944 --> 00:03:40.105 rigide ai cosiddetti gatekeeper, 00:03:40.105 --> 00:03:43.064 cioè quelle piattaforme considerate essenziali per 00:03:43.064 --> 00:03:44.025 l'accesso al mercato. 00:03:44.430 --> 00:03:46.670 In vigore dal maggio 2023 ha 00:03:46.670 --> 00:03:48.269 già portato a miliardi di euro 00:03:48.269 --> 00:03:50.509 di sanzioni contro Apple per pratiche 00:03:50.509 --> 00:03:53.069 scorrette e abuso di posizione dominante. 00:03:53.229 --> 00:03:55.069 Proprio la società di Cupertino è 00:03:55.069 --> 00:03:57.550 ora la più dura oppositrice del regolamento, 00:03:57.709 --> 00:03:59.310 arrivando a chiederne l'abrogazione. 00:03:59.675 --> 00:04:02.075 Secondo Apple, infatti, il DMA non 00:04:02.075 --> 00:04:05.435 tutela i consumatori, ma peggiora l'esperienza d'uso, 00:04:05.435 --> 00:04:08.955 introduce rischi e ostacola l'integrazione dei dispositivi. 00:04:08.955 --> 00:04:10.875 In un documento di 25 pagine 00:04:10.875 --> 00:04:12.555 inviato alla Commissione Europea, 00:04:12.635 --> 00:04:14.860 l'azienda accusa Bruxelles di applicare la 00:04:14.860 --> 00:04:17.019 normativa in modo sproporzionato e quasi 00:04:17.019 --> 00:04:18.860 esclusivamente contro di essa, 00:04:18.860 --> 00:04:21.899 anche sotto l'influenza di concorrenti come Spotify. 00:04:21.899 --> 00:04:23.979 Apple contesta inoltre che Apple Music 00:04:23.980 --> 00:04:26.379 rappresenti un abuso di posizione dominante, 00:04:26.540 --> 00:04:28.495 evidenziando come il servizio non raggiunga 00:04:28.495 --> 00:04:30.254 le quote dei leader di mercato. 00:04:30.254 --> 00:04:33.055 Pur tra i sette gatekeeper individuati dall'UE, 00:04:33.055 --> 00:04:34.974 Apple afferma di essere l'unica costretta 00:04:34.974 --> 00:04:37.694 a condividere proprietà intellettuale e tecnologie 00:04:37.694 --> 00:04:40.574 senza compensazione e propone che il 00:04:40.574 --> 00:04:42.870 DMA venga sostituito da regole più 00:04:42.870 --> 00:04:46.069 equilibrate o gestito da un'agenzia indipendente. 00:05:09.480 --> 00:05:11.960 L'elaborazione del linguaggio naturale umano da 00:05:11.960 --> 00:05:14.120 parte delle macchine, come computer, 00:05:14.120 --> 00:05:15.879 smartphone o assistenti vocali, 00:05:15.879 --> 00:05:17.800 è stata per decenni un'enorme sfida 00:05:17.800 --> 00:05:19.720 per gli sviluppatori e per certi 00:05:19.720 --> 00:05:22.360 versi sembrava quasi impossibile da superare. 00:05:22.545 --> 00:05:23.904 Il linguaggio umano, infatti, 00:05:23.904 --> 00:05:25.904 comprende centinaia di lingue, 00:05:25.904 --> 00:05:29.105 dizionari e regole grammaticali differenti senza 00:05:29.105 --> 00:05:32.225 considerare tutte le sfumature e minuscole varianti, 00:05:32.225 --> 00:05:33.665 come i dialetti regionali. 00:05:33.665 --> 00:05:34.944 E proprio su questi aspetti, 00:05:34.944 --> 00:05:37.345 tra l'altro, abbiamo dedicato un approfondimento 00:05:37.345 --> 00:05:39.240 due settimane fa nella puntata: 00:05:39.240 --> 00:05:42.360 "Abbiamo bisogno di un'IA "Made in Italy"?" 00:05:42.360 --> 00:05:44.279 Google con Google Assistant, 00:05:44.360 --> 00:05:46.599 Amazon con Alexa, Apple con Siri 00:05:46.599 --> 00:05:48.120 o Microsoft con Cortana, 00:05:48.120 --> 00:05:50.199 sono alcuni dei tentativi che alcune 00:05:50.199 --> 00:05:52.235 big tech hanno fatto per sviluppare 00:05:52.235 --> 00:05:54.875 degli assistenti virtuali che potessero riconoscere 00:05:54.875 --> 00:05:57.435 la voce, interpretare il comando e 00:05:57.435 --> 00:05:58.715 agire di conseguenza. 00:05:58.795 --> 00:06:00.714 E ci ricordiamo benissimo di quanto 00:06:00.714 --> 00:06:02.955 - spesso - questi assistenti fossero 00:06:02.955 --> 00:06:03.675 pessimi in questo. 00:06:03.979 --> 00:06:05.979 Ma la situazione è cambiata drasticamente 00:06:05.979 --> 00:06:07.979 con l'avvento dei Large Language Model, 00:06:07.979 --> 00:06:10.540 come GPT, Claude o Gemini, 00:06:10.540 --> 00:06:12.620 che come abbiamo ormai ampiamente dimostrato 00:06:12.620 --> 00:06:14.060 e visto più volte, 00:06:14.139 --> 00:06:15.740 riescono con molta facilità, 00:06:15.740 --> 00:06:18.074 almeno apparentemente, a capire le intenzioni 00:06:18.074 --> 00:06:20.475 dell'utente anche in presenza di errori, 00:06:20.795 --> 00:06:23.035 interpretarle e rispondere di conseguenza. 00:06:23.194 --> 00:06:25.274 Con l'IA agentica, poi, 00:06:25.274 --> 00:06:26.875 il modello può accedere a strumenti 00:06:26.875 --> 00:06:28.875 o eseguire comandi e azioni per 00:06:28.875 --> 00:06:31.115 conto dell'utente o per ottenere ulteriori 00:06:31.115 --> 00:06:33.660 informazioni a completamento della risposta. 00:06:33.819 --> 00:06:35.339 Il tutto con un linguaggio naturale 00:06:35.339 --> 00:06:37.819 e comprensibile per il proprio interlocutore. 00:06:37.819 --> 00:06:40.379 Questa capacità, dunque, sta venendo sfruttata 00:06:40.379 --> 00:06:42.540 in molteplici modi, dalla creazione di 00:06:42.540 --> 00:06:44.139 assistenti virtuali più intelligenti, 00:06:44.464 --> 00:06:46.705 chatbot, agenti in grado di compiere 00:06:46.705 --> 00:06:48.145 azioni al posto nostro, 00:06:48.145 --> 00:06:50.464 creazione di testi e molto altro. 00:06:50.464 --> 00:06:51.904 Una di queste su cui ci 00:06:51.904 --> 00:06:54.145 concentreremo oggi riguarda la capacità non 00:06:54.145 --> 00:06:56.225 solo di comprendere il linguaggio testuale, 00:06:56.225 --> 00:06:57.425 ma anche quello vocale, 00:06:57.600 --> 00:06:59.680 rendendo i Large Language Model degli 00:06:59.680 --> 00:07:02.080 strumenti perfetti per raccogliere delle note 00:07:02.080 --> 00:07:04.000 utilizzando la voce, per creare un 00:07:04.000 --> 00:07:07.199 diario personale, ma soprattutto in ambienti lavorativi, 00:07:07.199 --> 00:07:10.064 per registrare, trascrivere e verbalizzare riunioni, 00:07:10.064 --> 00:07:11.904 da cui ottenere riassunti o a 00:07:11.904 --> 00:07:13.824 cui porre domande specifiche sui temi 00:07:13.824 --> 00:07:16.305 trattati e sulle discussioni affrontate. 00:07:16.464 --> 00:07:17.584 In questa puntata, quindi, 00:07:17.584 --> 00:07:19.105 andremo proprio a capire come fanno 00:07:19.105 --> 00:07:21.024 i modelli linguistici a comprendere la 00:07:21.024 --> 00:07:23.024 nostra voce, a distinguere un utente 00:07:23.024 --> 00:07:24.500 da un altro e a analizzare 00:07:24.500 --> 00:07:26.579 quali sono le tecnologie che permettono 00:07:26.579 --> 00:07:28.579 di migliorare la comprensione della voce 00:07:28.579 --> 00:07:29.860 da parte del modello, 00:07:29.860 --> 00:07:31.699 per poi finire vedendo alcuni esempi 00:07:31.699 --> 00:07:33.699 di prodotti, sia software che hardware, 00:07:33.699 --> 00:07:35.939 che sfruttano queste tecnologie per fornire 00:07:35.939 --> 00:07:38.259 gli strumenti di trascrizione e sintesi 00:07:38.404 --> 00:07:39.525 appena elencati. 00:07:39.525 --> 00:07:42.245 I principali algoritmi di trascrizione vocali 00:07:42.245 --> 00:07:44.324 utilizzati ad oggi per la trascrizione 00:07:44.324 --> 00:07:46.965 del linguaggio parlato ricadono nella categoria 00:07:46.965 --> 00:07:49.524 che viene definita Speech-to-Text, 00:07:49.525 --> 00:07:51.525 il cui nome è ampiamente esplicativo. 00:07:51.810 --> 00:07:53.970 Questi algoritmi esistono ormai da anni 00:07:53.970 --> 00:07:55.889 e li troviamo spesso integrati anche 00:07:55.889 --> 00:07:58.290 in pagine web, app o direttamente 00:07:58.290 --> 00:07:59.649 nella propria tastiera. 00:07:59.649 --> 00:08:01.889 Nonostante ciò, non sempre questi sistemi 00:08:01.889 --> 00:08:03.970 funzionano come si deve e le 00:08:03.970 --> 00:08:06.604 motivazioni sono molteplici: la presenza di 00:08:06.604 --> 00:08:08.764 rumore di fondo, l'utilizzo di vocaboli 00:08:08.764 --> 00:08:10.285 di nicchia o professionali, 00:08:10.285 --> 00:08:12.524 l'uso sbagliato di accenti causati ad 00:08:12.524 --> 00:08:14.604 esempio da influenze regionali o difetti 00:08:14.604 --> 00:08:16.604 di pronuncia, sono solo alcuni degli 00:08:16.604 --> 00:08:18.524 ostacoli che rendono il compito di 00:08:18.524 --> 00:08:21.009 trascrizione per questi algoritmi non sempre 00:08:21.009 --> 00:08:22.209 una passeggiata. 00:08:22.370 --> 00:08:24.050 Per il resto, il loro funzionamento 00:08:24.050 --> 00:08:25.730 è relativamente semplice. 00:08:25.889 --> 00:08:27.410 Il primo passo è chiaramente quello 00:08:27.410 --> 00:08:29.889 della registrazione, dopodiché si passa alla 00:08:29.889 --> 00:08:32.129 segmentazione dei suoni, in cui il 00:08:32.129 --> 00:08:33.970 segnale audio viene suddiviso, 00:08:33.970 --> 00:08:34.850 come dice il nome, 00:08:34.850 --> 00:08:37.384 in piccoli segmenti che rappresentano brevi 00:08:37.384 --> 00:08:39.384 frammenti dell'intera registrazione. 00:08:39.544 --> 00:08:42.024 Questi segmenti vengono infine analizzati da 00:08:42.024 --> 00:08:44.424 una rete neurale addestrata su miliardi 00:08:44.424 --> 00:08:46.024 di esempi di lingue diverse, 00:08:46.024 --> 00:08:48.105 che associa al singolo segmento la 00:08:48.105 --> 00:08:49.065 parola più probabile. 00:08:49.399 --> 00:08:51.399 Infine, un modello linguistico si occupa 00:08:51.399 --> 00:08:53.639 di ottimizzare la trascrizione generata, 00:08:53.639 --> 00:08:56.519 rimuovendo parole riempitive come i classici 00:08:56.519 --> 00:08:59.320 "ehm" o "ah", sistemando alcune parole 00:08:59.320 --> 00:09:01.080 in base al contesto e aggiungendo 00:09:01.080 --> 00:09:02.039 la punteggiatura. 00:09:02.345 --> 00:09:04.504 Il principale software o servizio di 00:09:04.504 --> 00:09:06.585 trascrizione ad oggi è Whisper, 00:09:06.585 --> 00:09:08.825 realizzato da OpenAI, che si è 00:09:08.825 --> 00:09:11.225 imposto da subito come stato dell'arte 00:09:11.225 --> 00:09:12.825 grazie alla sua affidabilità, 00:09:12.825 --> 00:09:14.904 alla possibilità di generare i timestamp 00:09:14.904 --> 00:09:17.865 di ogni parola o aggiungere vocabolari personalizzati. 00:09:18.240 --> 00:09:21.039 Inoltre, la sua popolarità è dovuta anche, 00:09:21.039 --> 00:09:22.799 e forse soprattutto, al fatto che 00:09:22.799 --> 00:09:24.720 questo modello è stato rilasciato in 00:09:24.720 --> 00:09:27.200 modalità open source, e quindi utilizzabile 00:09:27.200 --> 00:09:30.720 da chiunque, gratuitamente anche sul proprio dispositivo. 00:09:30.879 --> 00:09:33.055 Altri servizi, poi, sono in cloud, 00:09:33.134 --> 00:09:36.894 come Google Speech-to-Text, Amazon Transcribe o 00:09:36.894 --> 00:09:38.815 Microsoft Azure Speech. 00:09:38.894 --> 00:09:40.975 Anche questi offrono le stesse funzionalità 00:09:40.975 --> 00:09:42.894 di Whisper, come la possibilità di 00:09:42.894 --> 00:09:45.639 fornire domini personalizzati o di ottenere 00:09:45.639 --> 00:09:47.320 i timestamp delle parole, 00:09:47.320 --> 00:09:49.480 ma, a differenza del modello di OpenAI, 00:09:49.480 --> 00:09:52.200 possono essere eseguiti solamente in cloud. 00:09:52.279 --> 00:09:54.519 Tra l'altro, noi stessi utilizziamo modelli 00:09:54.519 --> 00:09:56.840 come Whisper per generare le trascrizioni 00:09:56.840 --> 00:09:58.519 delle puntate di questo podcast, 00:09:58.955 --> 00:10:00.794 accorgendoci in prima persona di quanto 00:10:00.794 --> 00:10:03.355 questi algoritmi siano diventati negli ultimi 00:10:03.355 --> 00:10:05.355 anni sempre più accurati e precisi 00:10:05.355 --> 00:10:07.195 anche in situazioni complesse. 00:10:07.195 --> 00:10:09.195 Gli errori chiaramente non mancano, 00:10:09.195 --> 00:10:11.514 soprattutto su discorsi molto lunghi o 00:10:11.514 --> 00:10:13.115 con molto rumore di fondo, 00:10:13.115 --> 00:10:16.490 ma l'affidabilità generale è sicuramente da encomiare. 00:10:16.490 --> 00:10:18.169 Questi ad oggi sono gli algoritmi 00:10:18.169 --> 00:10:20.089 e modelli più, tra virgolette, 00:10:20.089 --> 00:10:22.250 "tradizionali" che si possono utilizzare. 00:10:22.409 --> 00:10:24.089 Come per il passaggio da algoritmi 00:10:24.089 --> 00:10:26.089 di processo del linguaggio naturale ai 00:10:26.089 --> 00:10:28.169 Large Language Model, tuttavia, 00:10:28.169 --> 00:10:31.335 anche questi servizi potrebbero subire degli upgrade, 00:10:31.335 --> 00:10:33.095 almeno in certi contesti grazie alle 00:10:33.095 --> 00:10:34.134 nuove tecnologie. 00:10:34.134 --> 00:10:35.335 Negli ultimi anni, infatti, 00:10:35.335 --> 00:10:37.174 si parla spesso non solo di 00:10:37.174 --> 00:10:39.414 Large Language Model o LLM, 00:10:39.414 --> 00:10:41.654 ma di LLM multimodali, 00:10:41.654 --> 00:10:44.000 come lo sono ovviamente i principali. 00:10:44.079 --> 00:10:46.480 Multimodale in questo contesto significa che 00:10:46.480 --> 00:10:48.639 i modelli sono stati addestrati non 00:10:48.639 --> 00:10:50.159 solo su fonti testuali, 00:10:50.240 --> 00:10:51.199 ma anche su immagini, 00:10:51.199 --> 00:10:53.360 video o audio, e possono quindi 00:10:53.360 --> 00:10:55.440 comprendere e in certi casi generare 00:10:55.575 --> 00:10:57.975 contenuti in tutti questi diversi formati. 00:10:57.975 --> 00:11:00.534 Nella situazione dello Speech-to-Text, 00:11:00.535 --> 00:11:02.455 quindi, ciò significa che un modello 00:11:02.455 --> 00:11:05.095 come Gemini o ChatGPT può integrare 00:11:05.095 --> 00:11:07.575 input vocali e trasformarli in testo. 00:11:07.940 --> 00:11:08.980 Da una parte, quindi, 00:11:08.980 --> 00:11:11.379 avremo una maggior flessibilità e accuratezza, 00:11:11.459 --> 00:11:13.059 in quanto un modello linguistico non 00:11:13.059 --> 00:11:15.220 trascrive parola per parola l'audio, 00:11:15.220 --> 00:11:17.539 ma lo interpreta e adatta affinché 00:11:17.539 --> 00:11:19.860 vengano prodotte frasi di senso compiuto. 00:11:20.245 --> 00:11:22.644 Dall'altra, al contrario, può essere normale 00:11:22.644 --> 00:11:26.485 incorrere in allucinazioni, soprattutto su parole sconosciute, 00:11:26.485 --> 00:11:29.125 rischi di bias e consumo elevato 00:11:29.125 --> 00:11:30.004 di risorse. 00:11:30.085 --> 00:11:31.924 Se modelli open source come Whisper 00:11:31.925 --> 00:11:34.485 potevano essere eseguiti tranquillamente da un PC, 00:11:34.620 --> 00:11:38.220 modelli come GPT-4o, GPT-5 o Gemini 00:11:38.220 --> 00:11:42.139 richiedono datacenter specializzati per poter essere utilizzati. 00:11:42.299 --> 00:11:45.740 Inoltre, l'output non fornisce timestamp fondamentali 00:11:45.740 --> 00:11:48.139 nel caso della generazione di sottotitoli 00:11:48.139 --> 00:11:49.019 o trascrizioni. 00:11:49.365 --> 00:11:51.524 Ad oggi, dunque, le opzioni principali 00:11:51.524 --> 00:11:53.284 sono queste e la scelta di 00:11:53.284 --> 00:11:55.125 utilizzare un sistema piuttosto che un 00:11:55.125 --> 00:11:57.764 altro dipende sensibilmente dalle esigenze della 00:11:57.764 --> 00:11:58.965 singola situazione. 00:11:59.125 --> 00:12:00.485 Prima di passare a vedere alcuni 00:12:00.485 --> 00:12:02.509 esempi di integrazione di questi sistemi 00:12:02.509 --> 00:12:04.509 nella vita reale, da quella quotidiana 00:12:04.509 --> 00:12:06.029 a situazioni più specifiche, 00:12:06.029 --> 00:12:08.509 merita sicuramente un breve approfondimento il 00:12:08.509 --> 00:12:10.669 tema del riconoscimento degli utenti nel 00:12:10.669 --> 00:12:11.789 caso di audio in cui sono 00:12:11.789 --> 00:12:12.990 coinvolte più persone. 00:12:12.990 --> 00:12:15.950 Questo processo si chiama "diarizzazione" e 00:12:15.950 --> 00:12:18.725 permette di segmentare, quindi suddividere, 00:12:18.725 --> 00:12:21.365 una registrazione audio identificando per ogni 00:12:21.365 --> 00:12:23.445 segmento i diversi oratori, 00:12:23.445 --> 00:12:24.404 gli speaker. 00:12:24.404 --> 00:12:26.804 Tramite reti neurali o algoritmi di 00:12:26.804 --> 00:12:29.524 deep learning, infatti, è possibile riconoscere 00:12:29.524 --> 00:12:31.605 i timbri vocali dei vari partecipanti 00:12:31.605 --> 00:12:34.460 e assegnare a ogni segmento un'etichetta 00:12:34.460 --> 00:12:35.820 che li identifica. 00:12:35.820 --> 00:12:37.500 In alcuni sistemi, tra l'altro, 00:12:37.500 --> 00:12:40.139 questa segmentazione funziona anche in presenza 00:12:40.139 --> 00:12:41.740 di voci sovrapposte. 00:12:41.820 --> 00:12:43.580 Come per i servizi di trascrizione 00:12:43.580 --> 00:12:45.659 e anche per la diarizzazione, 00:12:45.659 --> 00:12:47.980 esistono online diversi strumenti che permettono 00:12:47.980 --> 00:12:49.875 di adempire a questo compito. 00:12:49.954 --> 00:12:53.315 Uno dei più utilizzati è Pyannote.audio, 00:12:53.315 --> 00:12:54.995 che più che un servizio è 00:12:54.995 --> 00:12:56.595 un vero e proprio software open 00:12:56.595 --> 00:12:59.075 source e in grado di funzionare offline. 00:12:59.235 --> 00:13:00.995 Anche gli altri servizi già citati, 00:13:00.995 --> 00:13:03.875 come Amazon Transcribe e Microsoft Azure 00:13:03.875 --> 00:13:06.110 comunque soffrono le stesse funzionalità. 00:13:06.110 --> 00:13:08.190 Infine, l'ultimo aspetto importante di cui 00:13:08.190 --> 00:13:10.670 parlare è quello della riduzione del rumore. 00:13:10.670 --> 00:13:12.350 Gli algoritmi e i modelli di 00:13:12.350 --> 00:13:13.389 IA citati fino ad ora, 00:13:13.389 --> 00:13:15.629 infatti, funzionano sì bene, 00:13:15.629 --> 00:13:18.670 ma diventano praticamente impeccabili in situazioni 00:13:18.670 --> 00:13:20.190 in cui la qualità audio della 00:13:20.190 --> 00:13:22.684 registrazione è molto elevata e con 00:13:22.684 --> 00:13:24.764 poco o nulla rumore di fondo. 00:13:24.764 --> 00:13:26.924 Per raggiungere questa qualità le strade 00:13:26.924 --> 00:13:29.725 sono molteplici, dall'avere hardware e microfoni 00:13:29.725 --> 00:13:32.044 di qualità, alla regolazione dei parametri 00:13:32.044 --> 00:13:34.365 dei microfoni o l'utilizzo di filtri, 00:13:34.365 --> 00:13:36.919 alla rimozione tramite equalizzazione di specifiche 00:13:36.919 --> 00:13:39.000 frequenze audio legate al rumore. 00:13:39.080 --> 00:13:40.519 Infine, anche in questo caso ci 00:13:40.519 --> 00:13:42.519 sono strumenti di IA che, 00:13:42.519 --> 00:13:44.360 dato un audio in input, 00:13:44.360 --> 00:13:46.120 riescono ad estrarre in modo molto 00:13:46.120 --> 00:13:48.279 accurato le sole frequenze vocali, 00:13:48.279 --> 00:13:50.600 eliminando completamente o quasi il rumore 00:13:50.600 --> 00:13:52.855 e permettendo ai servizi presentati di 00:13:52.855 --> 00:13:55.975 trascrizione e diarizzazione di raggiungere le 00:13:55.975 --> 00:13:57.815 più alte prestazioni possibili. 00:13:57.894 --> 00:13:59.975 Arrivati a questo punto della puntata, 00:14:00.055 --> 00:14:01.815 e dopo aver capito come funzionano 00:14:01.815 --> 00:14:03.654 e quali sono i principali software 00:14:03.654 --> 00:14:05.450 di IA per riconoscere e trascrivere 00:14:05.450 --> 00:14:06.970 il linguaggio verbale umano, 00:14:06.970 --> 00:14:09.769 possiamo finalmente vedere alcuni esempi pratici 00:14:09.769 --> 00:14:11.690 di servizi e prodotti che fanno 00:14:11.690 --> 00:14:13.690 uso di queste tecnologie per fornire 00:14:13.690 --> 00:14:16.009 benefici tangibili ai propri utenti. 00:14:16.089 --> 00:14:18.169 Partendo da soluzioni solo software, 00:14:18.264 --> 00:14:20.985 i principali servizi di videochiamate ormai 00:14:20.985 --> 00:14:23.705 integrano al loro interno queste funzionalità. 00:14:23.784 --> 00:14:25.625 Google Meet, oltre a permettere di 00:14:25.625 --> 00:14:28.264 registrare la videochiamata, trascrive e, 00:14:28.264 --> 00:14:30.024 se richiesto, traduce in tempo reale 00:14:30.024 --> 00:14:32.504 i singoli partecipanti per poi creare 00:14:32.504 --> 00:14:34.500 un documento in Google Drive con 00:14:34.500 --> 00:14:37.300 la trascrizione completa, suddivisa per singolo 00:14:37.300 --> 00:14:39.779 partecipante e un riepilogo generato da 00:14:39.779 --> 00:14:41.700 Gemini con i punti chiave trattati 00:14:41.700 --> 00:14:43.460 e il riferimento temporale. 00:14:43.620 --> 00:14:45.779 Microsoft Teams, invece, genera un documento 00:14:45.779 --> 00:14:48.100 in Microsoft Loop con note, 00:14:48.100 --> 00:14:49.540 elenchi e task da fare. 00:14:49.835 --> 00:14:51.514 Anche Zoom, come gli altri due, 00:14:51.514 --> 00:14:53.595 ha recentemente integrato l'IA nel suo 00:14:53.595 --> 00:14:57.274 prodotto di videochiamata, con Zoom AI Companion, 00:14:57.274 --> 00:14:59.274 che presenta le stesse funzionalità di 00:14:59.274 --> 00:15:00.715