Se stai costruendo un agente vocale, la trascrizione è la prima tessera del domino. Sbagliala e ogni fase a valle — il tuo LLM, la tua logica, il tuo text-to-speech — eredita spazzatura. La Google Speech-to-Text API è una delle opzioni più collaudate sul campo per trasformare l'audio in testo, ma la documentazione di riferimento si legge come un manuale di compliance e ogni "recensione" è scritta da un concorrente che vende il proprio modello.
Questa è la versione neutrale rispetto ai fornitori. Vedremo cosa fa davvero l'API, quanto costa nel 2026, come portare in produzione codice funzionante e — la parte che nessuno ti racconta — dove lo speech-to-text puro smette di bastare per un agente telefonico in tempo reale.
Che cos'è la Google Speech-to-Text API?
Google Speech-to-Text (STT) è un'API cloud che converte l'audio in testo usando i modelli di riconoscimento vocale automatico (ASR) di Google. Espone tre modalità di riconoscimento, e sceglierne la giusta è la singola decisione architetturale più importante che prenderai:
- Sincrona — invii una clip audio breve (≤ 60 secondi), blocchi e ricevi la trascrizione completa in un'unica risposta. La più semplice da scrivere; inutile per le chiamate dal vivo.
- Asincrona / batch (
LongRunningRecognize) — carichi audio lungo (fino a circa 480 minuti) su Cloud Storage e interroghi il risultato in polling. È la scelta giusta per pipeline di registrazione delle chiamate, segreteria telefonica e trascrizione di podcast. - Streaming (
StreamingRecognize) — uno stream gRPC bidirezionale in cui invii blocchi di audio e ricevi risultati intermedi e definitivi mentre l'interlocutore parla. È la modalità da cui dipende la vita di qualsiasi agente vocale in tempo reale.
Sul fronte dei modelli, la famiglia Chirp (i modelli vocali universali di Google, chirp e chirp_2 nell'API v2) è lo standard del 2026 per accuratezza e copertura multilingue. I vecchi latest_long / latest_short e i modelli ottimizzati per la telefonia esistono ancora nella v1 e contano quando ti serve una funzionalità specifica (come certi miglioramenti per la telefonia) che un modello più recente non ha ancora rilasciato. Abbina sempre il modello all'audio: far passare audio telefonico mono a 8 kHz in un modello ottimizzato per audio da studio a 16 kHz è una perdita di accuratezza autoinflitta.
Prezzi della Google STT API nel 2026
La fatturazione è al minuto di audio elaborato, con incrementi arrotondati e fasce che variano per modello e funzionalità. Invece di citare numeri destinati a invecchiare, ecco come ragionare sulla bolletta — e dove morde su larga scala.
Verifica prima di impegnarti: calcola sempre i costi sulla pagina dei prezzi di Cloud Speech-to-Text aggiornata. I dati qui sotto descrivono la struttura della fatturazione nel 2026, non un preventivo bloccato.
- Piano gratuito: storicamente Google ha offerto una quota mensile gratuita (nell'ordine dei 60 minuti circa) — sufficiente per prototipare, ben lontana dal bastare in esercizio.
- Modelli standard vs. enhanced/premium: i modelli più recenti o migliorati si fatturano a una tariffa al minuto superiore rispetto al riconoscimento standard legacy. I modelli di classe Chirp stanno nella fascia premium.
- Le funzionalità si sommano: diarizzazione dei parlanti, confidenza a livello di parola e alcune opzioni di modello possono cambiare la tariffa effettiva o aggiungere elaborazione.
- Sconto per il logging: attivare il logging dei dati (permettere a Google di usare il tuo audio per migliorare i modelli) ha storicamente sbloccato una tariffa più bassa. Valuta le implicazioni di data governance prima di barattare i dati delle trascrizioni per uno sconto — per carichi di lavoro regolamentati quello scambio è di solito impraticabile.
Il costo nascosto su larga scala è l'arrotondamento + lo streaming sempre aperto. I job batch arrotondano per richiesta. Lo streaming fattura per tutta la durata in cui lo stream resta aperto — compreso il silenzio mentre il tuo agente pensa o parla, se lasci il microfono acceso. Con 10.000 chiamate concorrenti, pochi secondi sprecati di stream aperto per turno si sommano in denaro vero. Chiudi lo stream a fine enunciato; non tenerlo aperto per l'intera chiamata.
Quickstart: autenticazione + trascrizione dell'audio
Due vie d'ingresso. Prima l'autenticazione: crea un account di servizio in Google Cloud, assegnagli il ruolo Speech-to-Text, scarica la chiave JSON e fai puntare GOOGLE_APPLICATION_CREDENTIALS a essa.
Domande frequenti
Che cosa fa la Google Speech-to-Text API?
Converte l'audio in testo, con varianti di modello per diversi tipi di audio e supporto sia al riconoscimento batch sia a quello in streaming.
Come viene fatturata?
In base alla durata dell'audio, con tariffe diverse per modello e funzionalità. Funzionalità come la diarizzazione e i modelli enhanced costano più della tariffa base, quindi controlla la pagina dei prezzi attuale invece di un riassunto.
Serve un progetto Google Cloud per usarla?
Sì — l'autenticazione avviene tramite credenziali Google Cloud, quindi un progetto e un account di fatturazione vengono prima della prima richiesta.
