Il problema con i modelli generalisti di speech-to-text applicati alla medicina non è che siano cattivi in assoluto: è che sono stati addestrati per trascrivere il mondo in generale, e il mondo clinico ha una lingua propria. Quando si mettono alla prova su terminologia medica in inglese, tedesco e francese, modelli come Whisper arrivano a un word error rate del 17,4%, ElevenLabs al 18,1%, Parakeet al 18,9% e OpenAI al 17,7%. Non sono numeri astratti: in un contesto clinico, ogni parola sbagliata può cambiare il senso di una diagnosi, alterare un dosaggio o far scomparire un sintomo dalla cartella.
Corti, lab danese specializzato in AI clinica, ha risposto con Symphony for Speech-to-Text, un sistema che ottiene un word error rate dell’1,4% in inglese su terminologia medica, con una riduzione degli errori fino al 93% rispetto ai modelli generalisti comparati. Il punto non è solo la precisione bruta: Symphony non è semplicemente un riconoscitore più potente, ma un modello meglio allineato ai requisiti di output della dettatura medica, con differenze particolarmente marcate nella formattazione e nella punteggiatura parlata.
La differenza tecnica fondamentale sta nel perimetro del training. I modelli speech di Symphony sono addestrati e testati su oltre 150.000 termini medici distribuiti tra specialità, dialetti e contesti di cura, non su benchmark audio generici. Questo significa che il modello ha visto in fase di addestramento esattamente il tipo di linguaggio che si trova in una sala d’attesa, durante un triage telefonico o in una nota di dimissione: non un’approssimazione di quel linguaggio, ma il linguaggio stesso.
L’architettura è progettata per essere infrastruttura, non solo strumento di trascrizione. Symphony produce output strutturato e clinicamente utilizzabile attraverso un’API di livello produttivo pensata per un’ampia gamma di workflow clinici, in modo che l’AI a valle possa ragionare su fatti puliti, non solo su trascrizioni pulite. È una distinzione importante: molti sistemi di speech-to-text si fermano alla trascrizione testuale, lasciando all’applicazione il compito di estrarre entità, codici, farmaci, dosaggi. Symphony ambisce a consegnare già output strutturato, riducendo il carico sui layer successivi della pipeline.
La latenza bassa rende il modello adatto all’uso in tempo reale, dalla dettatura al letto del paziente al triage nei contact center, senza sacrificare l’accuratezza sotto pressione. Il supporto si estende a oltre dieci lingue, dall’inglese e tedesco all’arabo e al tedesco svizzero, con formattazione della dettatura supportata nelle lingue principali.
Corti non è nuova a questo tipo di confronti. Il rilascio precedente, Symphony for Medical Coding di aprile, aveva rivendicato un margine di accuratezza del 25% su OpenAI e Anthropic nei benchmark accademici ACI-BENCH e MDACE per la codifica medica. La tesi di fondo è sempre la stessa: i modelli generalisti trattano compiti come la codifica medica come un problema di predizione o etichettatura, mentre si tratta in realtà di un compito di ragionamento gerarchico complesso, che richiede aderenza stretta a linee guida in continua evoluzione. Lo stesso principio si applica allo speech-to-text: riconoscere “metformina” o “idroclorotiazide” in una conversazione rapida tra medico e paziente non è una questione di vocabolario generico, è una questione di dominio.
L’intera stack Symphony, che copre agenti, codifica medica, speech-to-text e generazione di testo, è dichiaratamente addestrata su oltre 1,5 milioni di ore di audio clinico, un corpus che difficilmente un player generalista costruisce per un singolo verticale. È questo il vantaggio strutturale dei modelli specializzati: non si tratta di fine-tuning su un modello base universale, ma di una scelta di design che parte dal dato clinico come materiale primario, non come eccezione da gestire.