Trascrizione delle riunioni con l'AI senza esporre i dati: costi reali e alternative in locale

Trascrizione riunioni AI: quali opzioni ha oggi un'azienda?

Le strade sono quattro: API pagate al minuto (OpenAI, Mistral), app dedicate in abbonamento (Otter), funzioni incluse nelle suite per l'ufficio (Copilot in Teams, Gemini in Meet) e modelli open-weight sui server aziendali. Il risultato è simile, un testo che riporta chi ha detto cosa. Prezzo, sede dei dati e grado di controllo cambiano molto.

Conta anche la modalità. La trascrizione in differita (batch) lavora sul file a riunione conclusa e costa meno: 0,0035 $/min per Voxtral Mini Transcribe 3 contro 0,008 $/min per la versione Realtime, che dichiara una latenza sotto i 500 ms (Mistral). In locale, il tempo reale richiede una GPU che tenga il passo con il parlato.

Poi c'è il verbale. Un modello di trascrizione restituisce un testo, non un riassunto: serve un secondo passaggio con un LLM, con costi e flusso di dati propri. Se la trascrizione avviene in casa ma il riassunto è affidato a un servizio esterno, il testo della riunione esce comunque.

Quanto costa la trascrizione riunioni AI con API, app e abbonamenti per utente?

Le API costano da circa 0,3 a 1,7 centesimi di dollaro al minuto; app e suite si pagano per utente, quindi il conto cresce con le persone e non con i minuti. Prezzi dalle pagine ufficiali consultate il 29/10/2026, soggetti a cambiamenti.

Sul listino delle API OpenAI:

• gpt-transcribe in batch costa 0,0045 $/min e Whisper 0,006 $/min;
• gpt-4o-mini-transcribe è stimato a circa 0,003 $/min, gpt-4o-transcribe e gpt-4o-transcribe-diarize a circa 0,006 $/min;
• la trascrizione dal vivo con gpt-live-transcribe e gpt-realtime-whisper costa 0,017 $/min.

Sulla pagina di Voxtral 3 Mistral indica 0,0035 $/min per Mini Transcribe 3, 0,0040 $/min per Small e 0,008 $/min per Realtime. L'endpoint europeo costa 1,1 volte il listino, ma la pagina sull'inferenza regionale non menziona l'audio ed esclude Batch, Files e Agents. Se serve l'endpoint UE per l'audio, conviene chiedere conferma per iscritto.

Sulla pagina prezzi di Otter il piano Pro costa 16,99 $ al mese (8,33 $ con fatturazione annuale), con 1.200 minuti al mese e 90 minuti a conversazione. Business costa 30 $ al mese (19,99 $ annuale), con trascrizione illimitata e fino a 4 ore a conversazione. SSO e SCIM richiedono almeno 100 utenti.

Il listino di Copilot Business indica 21 $ per utente al mese con impegno annuale (18 $ in promozione dal 1/07 al 31/12/2026, solo per il primo anno) e 25,20 $ con pagamento mensile. La pagina non parla di trascrizione: il riepilogo delle riunioni di Teams compare solo nelle FAQ, e le funzioni avanzate si pagano a consumo con i Copilot Credits.

Va detto con onestà: per la sola trascrizione, il risparmio raramente giustifica un'AI in locale. Pochi dollari ogni mille minuti difficilmente ripagano un server. Il locale si giustifica con il controllo sui dati e con la possibilità di inserire le trascrizioni nel cervello aziendale. Come confrontare hardware, gestione e listini è spiegato nella pagina sui costi dell'AI in locale.

Dove finiscono registrazioni e trascrizioni quando passano da un servizio esterno?

Dipende da fornitore e piano. Quattro cose da verificare: paese dei server, durata della conservazione, uso per l'addestramento, terzi che possono accedere. Una riunione registrata contiene voci, nomi, opinioni e spesso dati di clienti: le risposte vanno cercate prima di attivare lo strumento.

Otter. La privacy policy in vigore dal 16/06/2026 dichiara l'addestramento della tecnologia proprietaria su "de-identified audio recordings" e cita fornitori di annotazione che "use the data we share to create training and evaluation data". I dati stanno su Amazon Web Services negli Stati Uniti, con adesione all'EU-U.S. Data Privacy Framework e clausole contrattuali standard, e sono conservati "for as long as necessary".

Mistral. Secondo l'Help Center, "by default, your data is hosted in the European Union", ma restano possibili trasferimenti temporanei fuori UE verso sub-responsabili, con le garanzie dell'art. 46 GDPR. Sull'endpoint globale "Mistral does not commit to a specific inference location" (inferenza regionale). La conservazione zero copre anche /v1/audio/transcriptions, ma solo sui piani a pagamento, su richiesta valutata caso per caso, escludendo file batch, Files API, Agents e Conversations; il rifiuto dell'addestramento è un controllo separato.

Google Meet. Dal 21 settembre 2026 ("on or after") le note automatiche saranno attive di default su Business Standard e Plus, nelle riunioni con almeno 3 partecipanti. Si disattivano dalla Console di amministrazione, in Meet > Gemini settings > Automatic note-taking. La pagina non spiega dove vengono salvate le note né come vengono avvisati i partecipanti.

Microsoft. Sulla pagina prezzi di Copilot Microsoft dichiara che "prompts and responses are not used to train the underlying large language models", senza descrivere il trattamento delle trascrizioni: va verificato nel contratto e nelle impostazioni del tenant. Gli obblighi che restano comunque all'azienda sono nella pagina su AI e GDPR.

Quali modelli open-weight trascrivono l'italiano in locale, e con quale hardware?

Whisper e Voxtral Mini 4B Realtime si scaricano e, secondo la documentazione, girano su una singola GPU. Voxtral 3 oggi non risulta disponibile come pesi aperti.

Whisper. Il repository ufficiale indica che "Whisper's code and model weights are released under the MIT License". Memoria video indicativa: circa 1 GB per tiny, 2 GB per small, 5 GB per medium, 10 GB per large. Turbo richiede circa 6 GB ed è circa 8 volte più veloce di large, ma non è addestrato per la traduzione.

Voxtral Mini 4B Realtime 2602. La model card dichiara licenza Apache 2.0, circa 4 miliardi di parametri e 13 lingue, italiano compreso, e una GPU con almeno 16 GB secondo la guida vLLM. Il ritardo si regola da 80 ms a 2,4 s (consigliato 480 ms). Sull'italiano il tasso di errore sulle parole è del 3,27% a 480 ms e del 2,17% offline; sulle riunioni del dataset AMI sale però al 15,05%, segno che su registrazioni di riunioni l'errore può essere molto più alto che nei benchmark standard. Il motore consigliato è vLLM; llama.cpp non è ancora supportato.

Voxtral 3. Su Hugging Face nessun repository di mistralai si chiama "Voxtral 3" o "Transcribe 3". La pagina di Voxtral 3 non dichiara pesi aperti né licenza e per l'installazione on-premise rimanda al commerciale. La stessa pagina dichiara che Voxtral Small Transcribe 3 supera Whisper, Scribe v2 e Gemini 3.5 Transcribe sul benchmark FLEURS, con un errore di diarizzazione (cpWER) sotto il 19% circa: misure del fornitore, non verifiche indipendenti.

Se la trascrizione deve girare senza accesso a Internet, l'articolo sull'intelligenza artificiale offline spiega come verificare che l'installazione non contatti servizi esterni.

Si possono registrare e trascrivere le riunioni dei dipendenti, secondo lo Statuto e il Garante?

Sì, con cautela. Uno strumento che registra e trascrive può consentire il controllo a distanza dei lavoratori e in quel caso rientra nell'art. 4 dello Statuto: prima di attivarlo servono una valutazione, eventuali accordi e le informative.

L'art. 4 della legge 300/1970 ammette questi strumenti solo per "esigenze organizzative e produttive, per la sicurezza del lavoro e per la tutela del patrimonio aziendale", con accordo sindacale (RSU o RSA) o autorizzazione dell'Ispettorato del lavoro. Sono esclusi gli strumenti di lavoro e quelli che registrano accessi e presenze. I dati raccolti si possono usare solo con un'informativa adeguata al lavoratore e nel rispetto del Codice privacy.

Un riferimento utile è la verifica preliminare del Garante del 18/04/2018 su un sistema di TIM e Almawave per trascrivere e analizzare le chiamate in entrata. Tra le misure:

• registrazione di circa il 10% delle chiamate giornaliere e ascolto di circa l'1,5%;
• dati di postazione cancellati entro 24 ore e registrazioni associate a gruppi di 6–15 persone, non al singolo;
• nessuna analisi emozionale sulle voci dei clienti;
• informative a clienti e operatori, con il rispetto dell'art. 4 come condizione di liceità.

Il provvedimento precede il GDPR: va letto come esempio di metodo (minimizzare, aggregare, cancellare presto), non come modello da copiare. Il caso concreto si valuta con il consulente del lavoro e il DPO; questo articolo non sostituisce un parere legale.

Le note automatiche attive di default sono il caso tipico di uno strumento che si accende senza una decisione esplicita. Se sono già state usate su riunioni delicate, l'articolo su cosa fare quando i dati finiscono in un'AI non autorizzata aiuta a ricostruire i fatti.

Quando conviene restare sul cloud per trascrivere riunioni e chiamate?

Il cloud conviene quando i volumi sono bassi, le riunioni non contengono dati personali delicati né segreti industriali e l'azienda usa già una suite con contratto e impostazioni sotto controllo. Resta preferibile anche per la trascrizione dal vivo in molte lingue senza personale tecnico interno, o quando la diarizzazione serve subito.

Il locale merita una valutazione seria quando gli audio contengono dati di clienti o pazienti, si registrano trattative o progetti riservati, le chiamate di assistenza sono registrate in volume, esistono obblighi di riservatezza professionale o l'azienda vuole decidere da sé quanto conservare audio e testi.

La via intermedia è un'API con endpoint europeo e conservazione zero approvata, con i limiti già visti: da Mistral la conservazione zero esclude batch e file, e l'inferenza regionale non cita l'audio. Può bastare se le condizioni sono messe per iscritto nel contratto.

Da dove partire con un progetto pilota di trascrizione in azienda?

Il primo passo è sapere cosa sta già trascrivendo le vostre riunioni. Poi si sceglie un caso piccolo e lo si misura sui propri audio.

1. Censire gli strumenti attivi: note automatiche di Meet o Teams, app installate dai singoli, bot che entrano nelle videochiamate.
2. Scegliere un caso circoscritto, per esempio i verbali interni di un reparto, e misurare la qualità sull'italiano con registrazioni reali (microfoni, accenti, voci sovrapposte).
3. Scrivere la policy: quali riunioni si trascrivono, chi avvisa i partecipanti, per quanto restano audio e testi, chi può leggerli e come si registrano gli accessi.
4. Decidere dove finiscono le trascrizioni. Collegarle al cervello aziendale, con permessi per ruolo e citazioni della riunione di origine, è spesso il punto in cui un'installazione on-premise diventa davvero utile.

Se volete un parere indipendente su quale delle quattro strade si adatta ai vostri volumi e vincoli, potete richiedere una valutazione. Non vendo hardware né licenze: vi aiuto a mettere sul tavolo costi, flussi di dati e regole d'uso prima di scegliere.