Come trascrivere un video in testo, e cosa controllare dopo

Per trascrivere un video in testo ci sono tre strade: ascoltarlo e scriverlo a mano, usare i sottotitoli automatici della piattaforma su cui il video è già caricato, oppure passarlo a uno strumento di trascrizione automatica, che in pochi minuti restituisce il testo completo e i sottotitoli con i tempi. Per chi registra per lavoro — webinar, lezioni, call con i clienti — la strada che regge è la terza, seguita da una rilettura mirata sui punti in cui la macchina sbaglia: nomi propri, termini tecnici, cifre.

Questa guida mette a confronto i metodi, dice dove sbaglia ciascuno e descrive il flusso che conviene impostare una volta per tutte, con un esempio vero preso dalla nostra demo.

Da video a testo: i metodi a confronto

A mano

Si ascolta, si mette in pausa, si scrive, si torna indietro. Come ordine di grandezza — una stima corrente, non una nostra misura — un'ora di registrazione chiede da tre a cinque ore di ascolto e battitura, e di più quando parlano in tanti o l'audio è scadente. Per chi tiene un webinar a settimana è mezza giornata di lavoro, o più, ogni settimana.

Resta la scelta giusta in pochi casi precisi: quando il testo deve essere fedele parola per parola e qualcuno deve risponderne, come un verbale, o quando l'audio è così difficile che correggere una bozza costerebbe più che riscriverla. Il conto per esteso, con i casi in cui una persona fa meglio della macchina, è nel confronto con la trascrizione manuale.

I sottotitoli automatici della piattaforma

Se il video è già su YouTube, spesso la piattaforma genera da sé i sottotitoli automatici, e il proprietario del canale può rivederli e correggerli da YouTube Studio. Anche alcune piattaforme di videoconferenza producono una trascrizione della riunione, a seconda del piano e delle impostazioni.

Sono comodi quando ci sono, con due limiti. Non ci sono sempre: dipendono dalla lingua, dalla qualità dell'audio e da come è configurato l'account. E vivono dove vive il video: una lezione riservata agli iscritti o una call con un cliente su una piattaforma pubblica non ci vanno.

La dettatura del computer

C'è chi fa ascoltare la registrazione alla dettatura del sistema operativo. Si può fare, ma la dettatura è pensata per una persona che parla al microfono, non per un audio riprodotto dalle casse; va fatta girare in tempo reale, quindi un'ora di video chiede un'ora davanti al computer; e restituisce un testo senza tempi, cioè niente sottotitoli.

Uno strumento di trascrizione automatica

Si carica il file, o si incolla un link, e un motore di riconoscimento vocale produce il testo di tutto ciò che è stato detto, con i tempi di ogni frase. Dai tempi nascono i sottotitoli; dal testo, tutto il resto. Il lavoro della macchina dura minuti; quello che resta a voi è la rilettura.

E la rilettura serve, perché la trascrizione automatica sbaglia in punti prevedibili:

• Nomi propri e marchi. Un cognome poco comune diventa una parola che il modello conosce, e la frase resta scorrevole: l'errore si legge come testo giusto.
• Termini tecnici e sigle. Il gergo del vostro settore è il primo a saltare, soprattutto quando lo si pronuncia in fretta perché lo si dà per scontato.
• Più voci sovrapposte. Le domande del pubblico, le interruzioni, due persone che parlano insieme: è il caso più difficile, più del rumore di fondo.
• Audio scadente. Il microfono lontano, l'eco della stanza, la voce di chi interviene da remoto con una connessione instabile.
• Cifre. Un numero detto a voce può uscire in lettere o in cifre, e uno sbagliato non si nota leggendo.

Quanto pesano questi errori in italiano, e come misurarli sui vostri file in due minuti, è l'argomento di Sottotitoli automatici in italiano: quanto sono accurati davvero.

Il flusso che regge

Per chi trascrive una volta ogni tanto qualsiasi metodo va bene. Per chi registra ogni settimana conviene un flusso in tre tempi, sempre lo stesso.

1. Audio pulito, prima di registrare

È il passaggio che costa meno e rende di più. Per il testo conta il microfono, non la telecamera: uno vicino alla bocca vale più di qualsiasi inquadratura.

• Webinar: il moderatore ripete ad alta voce le domande del pubblico prima di rispondere. Una domanda fatta da un microfono lontano si perde; ripetuta, entra nel testo.
• Lezioni in aula: il microfono sta addosso a chi insegna, non sulla cattedra, e le domande degli studenti si ripetono come nei webinar.
• Call: cuffie con microfono per tutti, e una persona che parla alla volta quando si arriva alle decisioni.

Il consenso a registrare, in una call, lo chiedete voi, prima di premere il pulsante.

2. Trascrizione automatica del file originale

Caricate la registrazione originale, non una copia ricompressa passata da una chat: ogni compressione in più toglie qualcosa alla voce. Se la piattaforma permette di scaricare solo l'audio, va bene lo stesso, perché per il testo conta solo quello.

3. Rilettura mirata, non rilettura integrale

Rileggere un'ora di testo con la stessa attenzione dall'inizio alla fine è il modo più lento di trovare gli errori, e il più facile per saltarli. Conviene cercarli dove stanno:

1. Prima di cominciare, scrivete la lista dei nomi: relatori, ospiti, aziende, prodotti, sigle del settore. Sono i punti in cui la macchina sbaglia di più.
2. Cercateli nel testo uno per uno, con la ricerca dell'editor. Una variante storpiata salta all'occhio accanto a quella giusta.
3. Controllate le cifre: prezzi, date, percentuali. Sono le parole che, sbagliate, fanno più danni.
4. Riascoltate i passaggi a più voci: la sessione di domande, le interruzioni. Lì l'errore è più probabile e più difficile da indovinare leggendo.

Il resto si legge una volta, a velocità normale. E se dal testo ricavate un articolo o una newsletter, ricontrollate gli stessi nomi anche lì: un errore della trascrizione può passare nei testi che ne derivano.

Un esempio vero: cosa abbiamo corretto nella nostra demo

La demo pubblica di echoflow è un video elaborato davvero dal prodotto: poco più di cinque minuti, una sola voce sintetica che legge un copione, nessun rumore. È il caso più facile che esista. Prima di pubblicarla abbiamo riletto ogni contenuto contro il copione, e nella trascrizione, oltre a due ritocchi di punteggiatura, abbiamo trovato due errori nelle parole:

• dove la voce dice «senza sensi di colpa», il testo diceva «senza sensi di colta»;
• dove dice «passare male da una cosa all'altra», il testo diceva «da un una cosa all'altra».

Il primo è l'errore tipico: «colta» è una parola italiana, il correttore ortografico non la segnala e la frase si legge senza inciampare. Si trova solo rileggendo con il copione, o con la registrazione, sotto gli occhi. Nell'edizione inglese della demo l'errore era dell'altro tipo: al posto di «eight hours» la trascrizione diceva «eight to eight minutes. hours», una frase rotta che chiunque nota alla prima lettura. Sono le due famiglie da cercare, e la prima è la più insidiosa.

La stessa trascrizione mostra anche un difetto che non è un errore: le cifre non sono uniformi. Nello stesso testo ci sono «8 ore» e «otto ore», «10 minuti» e «dieci minuti». In un sottotitolo non cambia niente; in un testo da pubblicare, uniformarle fa parte della rilettura. Quella che vedete oggi nella demo è la versione riletta, con questi difetti di forma lasciati dove sono.

Ecco la stessa frase della demo nei due formati principali. Nella trascrizione è testo continuo:

Non ti manca il tempo, ti manca l'attenzione.

Nei sottotitoli SRT diventa un blocco numerato, con il tempo di inizio e quello di fine:

3
00:00:06,125 --> 00:00:09,058
Non ti manca il tempo,
ti manca l'attenzione.

Quale formato serve, e a cosa

• Testo (.txt): per leggere, cercare una frase, citare un passaggio o farne un articolo. È continuo, senza tempi e senza i nomi di chi parla.
• SRT: il formato di sottotitoli accettato da quasi tutti i lettori, le piattaforme video e i programmi di montaggio. Ogni blocco ha un numero, un tempo di inizio e uno di fine.
• VTT (WebVTT): lo stesso principio, nel formato nativo dei lettori video del web. Serve quando il video sta in una pagina che gestite voi.
• Video con i sottotitoli impressi: per i social, dove molti guardano senza audio. Impressi vuol dire che fanno parte dell'immagine e non si tolgono più.

SRT e VTT sono file di testo: un nome sbagliato si corregge con qualsiasi editor, senza toccare i tempi.

Cosa farne, una volta che c'è

La trascrizione raramente è il punto d'arrivo. È la materia prima di altro:

• Sottotitoli, per chi guarda senza audio e per chi non sente: sottotitoli automatici.
• Un articolo, cioè ciò che il video non può essere: linkabile, indicizzabile, citabile — da video ad articolo.
• I capitoli con i tempi, per chi riguarda una registrazione lunga e cerca il punto che gli serve: capitoli e note dell'episodio.
• Materiale didattico da una lezione: riassunti, capitoli e, col Pro, la dispensa — per formatori.
• Il recap per chi non c'era e una settimana di contenuti da un solo webinar: per chi organizza webinar.

Con echoflow, in concreto

Caricate un file audio o video, oppure incollate un link YouTube, Google Drive o diretto a un file; per un podcast basta il feed RSS. In pochi minuti avete la trascrizione nella lingua effettivamente parlata, i sottotitoli SRT e VTT e, dallo stesso caricamento, riassunto, capitoli, articolo, newsletter e post: tutte bozze, da rileggere come sopra. Ogni testo si corregge nella pagina del video, e quello che scaricate è la versione corretta. Formati e dettagli sono nella pagina della trascrizione video automatica.

Quello che non fa, detto prima:

• Non riconosce chi sta parlando: in un'intervista, i nomi davanti alle battute li aggiungete voi.
• Non entra nelle riunioni: non c'è un bot che si collega alla call, si carica la registrazione a cose fatte.
• Ha un tetto di durata per video: 60 minuti nella prova, 180 col Pro. Un webinar più lungo si carica in due parti.

Il file che caricate si cancella entro 24 ore dall'elaborazione, salvo una conservazione diversa scelta per il workspace; i file media generati, come il video sottotitolato e le clip, restano scaricabili 7 giorni; i testi non scadono finché l'account resta attivo. File e contenuti sono archiviati in UE; trascrizione e generazione AI passano anche da fornitori extra-UE, elencati per nome nella pagina dei sub-responsabili, con le garanzie previste dagli articoli 44 e seguenti del GDPR. È una cosa da sapere prima di caricare una call con un cliente.

La prova dura 14 giorni e dà 60 minuti, fino a 10 video, senza carta; piani e minuti sono nella pagina dei prezzi. Il consiglio è quello di sopra: caricate una registrazione tipica, con le sue domande e i suoi nomi difficili, non la più pulita che avete.