Torna al blog

Whisper in italiano: lingue supportate e tasso di errore

Whisper supporta 100 lingue, ma non tutte allo stesso modo. L'elenco completo, il tasso di errore di OpenAI per lingua e modello, e come va in italiano.

10 novembre 2026
Sablate Team

Whisper supporta 100 lingue: i 99 codici della versione originale di OpenAI, più il cantonese, aggiunto con large-v3. Essere nell'elenco non rende una lingua ugualmente utilizzabile. Sul benchmark FLEURS di OpenAI, large-v3 sbaglia circa 3 parole su 100 in spagnolo e circa 50 su 100 in bengalese, e i modelli più piccoli ampliano il divario fuori dall'inglese.

L'elenco in sé è la parte facile. Che Whisper basti per i sottotitoli nella tua lingua dipende da quanto audio di addestramento quella lingua ha avuto, da quale dimensione di modello usi e dal fatto che sia una delle poche lingue in cui il turbo, più veloce, perde colpi. Qui sotto trovi l'elenco completo, il tasso di errore che OpenAI ha pubblicato per ogni lingua e modello, e come leggere quei numeri rispetto al tuo video.

L'elenco completo delle lingue di Whisper

Sono le 100 voci della tabella LANGUAGES nel tokenizer.py di Whisper, in ordine alfabetico inglese e lette colonna per colonna. Il codice a sinistra è quello che passi a --language da riga di comando, o che un'app desktop invia quando scegli la lingua da un menu.

af  Afrikaans       fr  French          lt  Lithuanian      sd  Sindhi
sq  Albanian        gl  Galician        lb  Luxembourgish   si  Sinhala
am  Amharic         ka  Georgian        mk  Macedonian      sk  Slovak
ar  Arabic          de  German          mg  Malagasy        sl  Slovenian
hy  Armenian        el  Greek           ms  Malay           so  Somali
as  Assamese        gu  Gujarati        ml  Malayalam       es  Spanish
az  Azerbaijani     ht  Haitian Creole  mt  Maltese         su  Sundanese
ba  Bashkir         ha  Hausa           mi  Maori           sw  Swahili
eu  Basque          haw Hawaiian        mr  Marathi         sv  Swedish
be  Belarusian      he  Hebrew          mn  Mongolian       tl  Tagalog
bn  Bengali         hi  Hindi           my  Myanmar         tg  Tajik
bs  Bosnian         hu  Hungarian       ne  Nepali          ta  Tamil
br  Breton          is  Icelandic       no  Norwegian       tt  Tatar
bg  Bulgarian       id  Indonesian      nn  Nynorsk         te  Telugu
yue Cantonese       it  Italian         oc  Occitan         th  Thai
ca  Catalan         ja  Japanese        ps  Pashto          bo  Tibetan
zh  Chinese         jw  Javanese        fa  Persian         tr  Turkish
hr  Croatian        kn  Kannada         pl  Polish          tk  Turkmen
cs  Czech           kk  Kazakh          pt  Portuguese      uk  Ukrainian
da  Danish          km  Khmer           pa  Punjabi         ur  Urdu
nl  Dutch           ko  Korean          ro  Romanian        uz  Uzbek
en  English         lo  Lao             ru  Russian         vi  Vietnamese
et  Estonian        la  Latin           sa  Sanskrit        cy  Welsh
fo  Faroese         lv  Latvian         sr  Serbian         yi  Yiddish
fi  Finnish         ln  Lingala         sn  Shona           yo  Yoruba

Alcuni nomi nascondono degli alias. zh copre il mandarino, e il tokenizer accetta anche «mandarin»; ca accetta «valencian», nl «flemish», ro «moldavian» e es «castilian». jw è il codice di Whisper per il giavanese, dove lo standard ISO prevede jv, quindi uno strumento che convalida i codici in base all'ISO deve fare la conversione. Il cantonese (yue) esiste solo in large-v3 e nel modello turbo derivato da esso; i checkpoint più vecchi non hanno il token.

L'accuratezza di Whisper per lingua: i numeri di OpenAI

OpenAI pubblica i tassi di errore per lingua di large-v3 nel README di Whisper, di turbo nel suo annuncio di turbo e dei modelli più piccoli nell'appendice dell'articolo su Whisper. La tabella qui sotto prende da queste tre fonti i valori FLEURS. FLEURS è un insieme di frasi lette ad alta voce e registrate in ciascuna lingua, quindi sono numeri da caso migliore.

Lingualarge-v3turbosmalltiny
Spagnolo2,83,15,615,9
Italiano3,03,29,829,8
Coreano (CER; small e tiny WER)3,13,219,636,1
Portoghese4,14,27,320,1
Inglese4,14,46,112,4
Polacco4,65,414,745,6
Giapponese (CER)4,94,712,037,0
Tedesco4,95,810,227,8
Russo5,05,311,431,1
Olandese5,25,916,449,0
Francese5,35,815,041,4
Indonesiano6,16,916,351,7
Ucraino6,46,919,351,2
Turco6,76,915,942,5
Mandarino (CER)7,78,320,840,5
Thai (CER)8,413,921,958,8
Vietnamita8,69,621,260,0
Arabo9,610,230,663,4
Hindi17,018,538,4102,3
Ebraico26,1non pubblicato44,471,6
Swahili34,1non pubblicato73,7100,9
Bengalese50,0non pubblicato104,4101,6

I valori sono il tasso di errore sulle parole (WER, word error rate) in percentuale: la quota di parole che il modello ha sbagliato, omesso o aggiunto. Per giapponese, mandarino e thai, che non separano le parole con gli spazi, le fonti contano invece i caratteri (CER, character error rate). Il coreano è la trappola della tabella: il README e il grafico di turbo lo riportano come CER, mentre i numeri dell'articolo per small e tiny sono a livello di parola, quindi la sua riga non si può leggere in orizzontale. Un WER superiore a 100 è possibile, perché anche le parole inserite contano come errori.

Le colonne small e tiny vengono da una prova separata del 2022, e OpenAI non ha mai riaddestrato queste due dimensioni, quindi sono gli stessi modelli che scarichi oggi. Considera approssimativa la differenza tra le colonne e solida quella tra le righe.

Perché alcune lingue vanno molto peggio

L'articolo su Whisper risponde direttamente. Tra le lingue, la quantità di audio trascritto usato per l'addestramento prevede il tasso di errore con una correlazione al quadrato di 0,83 su scala logaritmica, e la retta stimata dice che il tasso di errore si dimezza a ogni aumento di 16 volte dei dati di addestramento. L'inglese rappresenta circa due terzi delle 680.000 ore su cui sono stati addestrati i modelli originali; le altre 96 lingue si dividono 117.000 ore, e l'articolo conta dati di addestramento per il riconoscimento vocale per sole 75 lingue.

I dati di addestramento non sono tutta la storia. L'articolo cita ebraico, telugu, cinese e coreano come lingue che vanno peggio di quanto prevedano le loro ore, e indica come cause le scritture uniche, la distanza dalle lingue indoeuropee che dominano i dati e un tokenizer a livello di byte che si adatta male a quelle scritture. Conta anche la qualità dei dati: gli autori hanno scoperto che la maggior parte dei presunti dati di traduzione dal gallese era audio inglese archiviato per errore come gallese.

large-v3 è stato addestrato su molto più audio, 1 milione di ore di parlato con etichette deboli e 4 milioni di ore con pseudo-etichette, e OpenAI riporta dal 10 al 20% di errori in meno rispetto a large-v2 nelle varie lingue. La classifica si è mossa appena. Una lingua in fondo alla tabella del 2022 è ancora in fondo.

Un modello più piccolo pesa di più fuori dall'inglese?

Sì, e molto. In inglese, passare da large-v3 a small porta il tasso di errore dal 4,1 al 6,1%: si nota in una revisione, ma va bene per una bozza. In francese si passa da 5,3 a 15,0, in polacco da 4,6 a 14,7, in turco da 6,7 a 15,9. Circa una parola su sette sbagliata è una trascrizione che riscrivi invece di correggere.

tiny è un'altra categoria fuori da una manciata di lingue. Lo spagnolo regge con il 15,9%; francese, polacco, olandese e turco arrivano tra il 41 e il 49%, il che significa che quasi ogni battuta dei sottotitoli contiene un errore. Lo schema è costante: più una lingua è lontana dalla cima della tabella, più costa ogni passo indietro nella dimensione del modello.

La dimensione del modello decide anche velocità e memoria, quindi la domanda pratica è quanta precisione puoi permetterti di perdere nella tua lingua. Il confronto tra i modelli Whisper tratta dimensioni dei download, VRAM e velocità di ciascun modello; leggilo insieme a questa tabella, non al posto suo.

Turbo o large-v3: dove turbo perde colpi

turbo è large-v3 con il decoder ridotto da 32 livelli a 4 e poi ri-addestrato sulla stessa quantità di dati di trascrizione. Su FLEURS resta entro circa un punto da large-v3 nella maggior parte delle lingue della tabella, e in giapponese è leggermente avanti. La nota di OpenAI è che si comporta in modo simile a large-v2 ma peggiora di più su thai e cantonese. Il suo grafico su Common Voice, registrato da volontari con i propri microfoni, mostra quanto di più:

Lingua (Common Voice 15)large-v3turbo
Cantonese, Cina (CER)10,946,1
Cantonese, Hong Kong (CER)15,942,9
Thai (CER)5,820,8
Serbo15,736,7
Lettone16,735,5
Turco12,017,0
Giapponese (CER)10,312,3

Serbo e lettone non compaiono nel testo dell'annuncio, solo nel suo grafico, e perdono quanto il thai. Se la tua lingua è in questo elenco, la velocità otto volte maggiore di turbo non vale la pena: usa large-v3. Turbo inoltre non è stato addestrato sulla traduzione, quindi il compito di traduzione verso l'inglese integrato in Whisper richiede large-v3 o medium, come spiega la guida alla traduzione di un video.

Come se la cava Whisper in italiano?

L'italiano è tra le lingue in cui Whisper funziona meglio: su FLEURS il tasso di errore sulle parole è del 3,0% per large-v3 e del 3,2% per turbo, il secondo risultato dopo lo spagnolo. Su Common Voice, con il suo mix di accenti, dialetti e microfoni di casa, large-v3 sale al 5,5% e turbo al 6,3%, che è il numero più onesto per un vlog o per la registrazione di una chiamata.

Il vantaggio, però, riguarda i modelli grandi. Con small l'errore su FLEURS passa dal 3,0 al 9,8%, più del triplo, e tiny arriva al 29,8%. La scelta del modello conta quindi più di quanto suggerisca la posizione in classifica: per sottotitoli da pubblicare usa turbo o large-v3, e tieni small per le bozze.

Rilevamento automatico o lingua impostata a mano?

Quando non viene indicata alcuna lingua, Whisper ascolta i primi 30 secondi di parlato, sceglie la lingua più probabile e trascrive l'intero file in quella. faster-whisper, il motore usato dalla maggior parte delle app desktop, fa lo stesso per impostazione predefinita. Il rilevamento è buono ma non infallibile: nell'articolo, il modello migliore ha identificato correttamente la lingua l'80,3% delle volte sulle 82 lingue FLEURS per cui aveva dati di addestramento.

Due situazioni lo mandano in crisi. Un video che si apre con musica, applausi o pochissimo parlato dà al rilevatore quasi nulla su cui lavorare. Un video i cui primi trenta secondi sono in una lingua diversa dal resto, come un'introduzione in inglese a un'intervista in turco, imposta la lingua sbagliata per tutto ciò che segue. Se conosci la lingua, sceglila tu.

Whisper, inoltre, si aspetta una sola lingua per file. L'intero file viene decodificato con un unico token di lingua, quindi i passaggi in una seconda lingua vengono trascritti come se fossero nella prima, e il risultato per quei passaggi non è affidabile. Per un video in più lingue, la strada affidabile è trascriverlo nella lingua principale e correggere a mano gli altri passaggi, oppure dividere l'audio.

Scegliere un modello per la tua lingua

«La mia lingua è in cima alla tabella.» Spagnolo, italiano, portoghese, inglese, tedesco, russo e le lingue vicine danno bozze pulite anche con small, e turbo è la scelta sensata per i sottotitoli finali.

«La mia lingua è a metà.» Turco, ucraino, vietnamita, arabo, mandarino: small produce una bozza che riscriverai, quindi passa a turbo o large-v3 per tutto ciò che pubblichi.

«La mia lingua è thai, cantonese, serbo o lettone.» Usa large-v3, non turbo.

«La mia lingua è in fondo.» Hindi, ebraico, swahili, bengalese e la maggior parte dell'elenco, che non ha alcun valore pubblicato. Considera l'output di Whisper una prima passata grezza, controlla ogni battuta e metti in conto il tempo. Vale la pena provare anche un modello addestrato per una sola lingua, dove esiste: per il giapponese, per esempio, c'è kotoba-whisper.

«Chi parla cambia lingua.» Scegli tu la lingua principale e preparati a correggere il resto a mano.

Qualunque cosa dica la tabella, prova prima di decidere. Trascrivi due minuti del tuo video con due dimensioni di modello e confrontali riga per riga. I benchmark sono parlato letto; il tuo video ha musica, voci sovrapposte e nomi propri. Quando una trascrizione ripete righe o inventa testo, la causa di solito è l'audio e le impostazioni di decodifica, non la lingua.

Le lingue di Whisper in Sablate

Il menu delle lingue di Sablate è l'elenco di Whisper: gli stessi 100 codici, più Auto-detect, con ogni nome mostrato nella lingua dell'interfaccia dell'app. I quattro livelli corrispondono ai modelli della tabella, Fast a tiny, Balanced a small, Accurate a large-v3-turbo e Best a large-v3, quindi le colonne qui sopra sono la scelta che fai nell'app. Il piano gratuito non richiede un account e copre video fino a dieci minuti, tre lavori al mese, i modelli Fast e Balanced e un livello di traduzione offline; l'impressione dei sottotitoli porta un piccolo marchio in un angolo. Accurate e Best fanno parte di Pro.

Dove Sablate va oltre la trascrizione è in ciò che viene dopo. Ogni traduzione è un livello della stessa trascrizione, e ogni livello ha un proprio stile e un font che sa davvero disegnare la sua scrittura, così i sottotitoli in arabo, hindi, giapponese o coreano non diventano riquadri vuoti nel video con sottotitoli impressi. Sottotitoli in più lingue da un solo video mostra il flusso di lavoro completo.

Due limiti, in tutta franchezza. Sablate usa solo i checkpoint di OpenAI, quindi un modello della community messo a punto per una sola lingua non può essere caricato. E la GPU accelera la trascrizione sui Mac Apple Silicon e su Windows con una scheda grafica NVIDIA; i Mac Intel e gli altri PC Windows usano la CPU.

Domande frequenti

Quante lingue supporta Whisper?

Cento. Il tokenizer di OpenAI elenca 99 codici di lingua della versione originale, più il cantonese, arrivato con large-v3 nel novembre 2023. Supporto significa che il modello ha un token per quella lingua, non che la trascriva bene: sul benchmark FLEURS di OpenAI, large-v3 va da circa il 3% di errori in spagnolo a circa il 50% in bengalese.

Quali lingue trascrive meglio Whisper?

Spagnolo, italiano, coreano, portoghese e inglese, secondo i dati di OpenAI. Sul benchmark FLEURS large-v3 resta intorno al 4% di errori o meno in tutte e cinque, seguite da vicino da polacco, giapponese, tedesco, russo, olandese e francese. La precisione segue la quantità di audio di addestramento per lingua, perciò in cima alla tabella ci sono le lingue europee e dell'Asia orientale più diffuse.

Quanto è accurato Whisper in italiano?

Molto, su parlato chiaro. OpenAI ha misurato su FLEURS un tasso di errore sulle parole del 3,0% per large-v3 e del 3,2% per turbo, il secondo risultato dopo lo spagnolo. Su Common Voice 15, con registrazioni più varie, salgono al 5,5% e al 6,3%. Il modello small, invece, arriva al 9,8% su FLEURS: più del triplo di large-v3.

Whisper turbo è buono quanto large-v3 in ogni lingua?

No. Turbo ha gli stessi 100 codici di lingua e resta vicino a large-v3 nella maggior parte, ma OpenAI segnala perdite maggiori su thai e cantonese. Su Common Voice il cantonese passa da circa l'11 al 46% di errori sui caratteri e il thai da circa il 6 al 21%. Per queste lingue usa large-v3 completo.

Devo lasciare che Whisper rilevi la lingua in automatico?

Solo se non la conosci. Whisper stima la lingua dai primi 30 secondi di parlato e poi trascrive l'intero file in quella sola lingua. Un inizio silenzioso o pieno di musica, o un video che parte in un'altra lingua, può mandare l'intera trascrizione fuori strada. Scegliere tu la lingua elimina questo rischio.