Finisci una frase e non succede nulla. Passa un secondo, forse due, poi il telefono parla. Quella pausa non è ritardo di rete, e non è il modello di traduzione che va piano. Nella maggior parte delle app è una decisione di progettazione deliberata, e sapere quale decisione ha preso un'app ti dice più su come la vivrai di qualsiasi punteggio di accuratezza.
Ecco la risposta semplice. Ogni traduttore vocale lavora in quattro stadi: cattura la tua voce, la trasforma in testo, traduce il testo, pronuncia il risultato. La pausa che senti viene dallo stadio 2 — la maggior parte delle app aspetta circa un secondo di silenzio prima di decidere che hai finito. App come la modalità conversazione di Google Translate lavorano a turni e accettano la pausa. Le app in streaming come OmniTalk traducono mentre stai ancora parlando e lo pagano in revisioni visibili. Nessuna delle due è istantanea: da due a quattro secondi dietro chi parla senza fermarsi è il meglio realistico, lo stesso ritardo di un interprete umano. Il resto dell'articolo spiega dove va a finire ciascuno di quei secondi.
Ogni traduttore vocale su iPhone esegue gli stessi quattro stadi. Ciò che li distingue è se quegli stadi possono sovrapporsi.
| Stadio | Cosa succede | Può partire prima che tu smetta di parlare? |
|---|---|---|
| 1. Cattura | L'audio del microfono viene bufferizzato e convertito nel formato che vuole il riconoscitore | Sempre |
| 2. Riconoscimento | L'audio diventa testo | Dipende dall'app |
| 3. Traduzione | Il testo diventa testo in un'altra lingua | Dipende dallo stadio 2 |
| 4. Voce in uscita | Il testo tradotto diventa audio | Dipende dallo stadio 3 |
Un'app che esegue gli stadi da 2 a 4 rigorosamente in sequenza, dopo che sei rimasto in silenzio, non può essere veloce per quanto buoni siano i suoi modelli. Un'app che li sovrappone comincia a tradurre mentre sei a metà frase, e lo paga in un'altra valuta: le revisioni.
Stadio 1: la cattura, e perché il microfono conta più di quanto pensi
Il riconoscitore non riceve «la tua voce». Riceve un flusso di buffer audio a frequenza di campionamento fissa, e la qualità di quel flusso mette un tetto rigido a tutto ciò che viene dopo.
Con il microfono dell'iPhone la cosa è poco interessante: ottieni audio a banda larga e il tetto è alto. Diventa interessante nel momento in cui entra in gioco il Bluetooth. Quando un'app apre il microfono su un auricolare Bluetooth, iOS fa passare l'intera connessione da A2DP, il profilo unidirezionale ad alta qualità, a HFP, il profilo bidirezionale da chiamata. Entrambe le direzioni scendono a qualità telefonica nello stesso momento. Non esiste combinazione di impostazioni che dia a un'app un buon microfono e una buona riproduzione contemporaneamente sullo stesso auricolare.
Quel vincolo modella ogni funzione di traduzione con auricolari sulla piattaforma, e ne abbiamo parlato in dettaglio, con la dichiarazione di Apple stessa, nel confronto sugli AirPods.
Conseguenza pratica: un traduttore vocale testato con il microfono del telefono e uno testato attraverso gli auricolari non sono lo stesso test. I tassi di errore del riconoscimento salgono in modo misurabile sull'audio a banda stretta, e nessuna qualità di traduzione recupera una parola che il riconoscitore non ha mai sentito.
Stadio 2: il riconoscimento, e il problema del punto di fine
È da qui che viene la pausa.
Il riconoscimento vocale deve decidere quando hai finito di parlare. Quella decisione si chiama rilevamento del punto di fine (endpoint detection), e l'implementazione comune è un timeout di silenzio: dopo circa 700-1.000 millisecondi senza parlato, il riconoscitore dichiara conclusa la frase ed emette una trascrizione finale. Solo allora un'app a turni passa allo stadio 3.
La modalità conversazione di Google Translate dichiara esplicitamente di lavorare così. Le istruzioni di Google sono «Take turns speaking» — parlate a turno — e il microfono «automatically detects when one language stops and the other language starts» — rileva automaticamente quando una lingua si ferma e l'altra inizia (Google Translate Help, consultato il 12 agosto 2026). È un rilevatore di turni ben costruito. Resta un rilevatore di turni, e rilevare i turni significa per definizione aspettare il silenzio.
L'alternativa è usare i risultati parziali che il riconoscitore sta già producendo. Il framework Speech di Apple lo espone direttamente: i risultati arrivano come AsyncSequence invece che come un'unica callback alla fine, e l'API distingue tra risultati volatili, che il riconoscitore può rivedere, e risultati finalizzati (SpeechAnalyzer, consultato il 12 agosto 2026). Il framework offre persino un passaggio di preriscaldamento, prepareToAnalyze, che secondo Apple «may improve how quickly the modules return their first results» — può migliorare la rapidità con cui i moduli restituiscono i primi risultati.
Un'app costruita sui risultati volatili può spingere il testo nello stadio 3 circa 200-400 millisecondi dopo che pronunci una parola, invece di un secondo dopo che ti fermi. La scheda App Store di OmniTalk descrive l'effetto voluto: «Translations appear the moment you speak, built for real conversations, not sentence-by-sentence waiting» — le traduzioni appaiono nel momento in cui parli, costruite per conversazioni vere, non per attese frase per frase.
Perché costa tempo: il timeout di silenzio non è un bug che si può regolare via. Accorcialo e il riconoscitore taglia le persone a metà pensiero, perché il parlato naturale contiene pause più lunghe di 500 millisecondi. Allungalo e ogni scambio guadagna un secondo. Le app a turni si posizionano nel punto meno peggiore di quella curva.
Simultanea o consecutiva, in prestito dagli interpreti umani
La distinzione ha cent'anni di vocabolario professionale alle spalle, e si applica alle app con precisione.
Interpretazione consecutiva. Chi parla si esprime, si ferma, e l'interprete rende ciò che è stato detto. Il tempo totale è circa il doppio del discorso originale, perché nulla si sovrappone. È quello che fa un'app a turni.
Interpretazione simultanea. L'interprete parla di continuo, restando due-quattro secondi dietro l'oratore, e non chiede mai a nessuno di fermarsi. Gli interpreti di conferenza lavorano così, in coppia, in cabina, in turni da 30 minuti, perché il carico cognitivo è severo. È ciò che un'app in streaming approssima.
Il motivo per cui gli interpreti simultanei umani sono così affaticati e costosi da ingaggiare è esattamente il motivo per cui è difficile da costruire: devi cominciare a impegnarti su un'uscita prima che l'ingresso sia completo, e a volte la fine della frase ti dà torto.
Stadio 3: la traduzione, e perché le frasi incomplete sono un problema più duro
Tradurre una frase completa è un problema abbastanza risolto. Tradurne la prima metà no, e la difficoltà è grammaticale più che computazionale.
Il tedesco mette il verbo della subordinata alla fine. Il giapponese è soggetto-oggetto-verbo e marca la negazione sul verbo. Il turco impila il significato sui suffissi. In tutti e tre i casi, l'ultima parola può ribaltare la frase. Un sistema che inizia a tradurre presto si trova ripetutamente nella posizione in cui l'uscita corretta dipende da una parola non ancora pronunciata.
Le risposte possibili sono solo tre, e ogni design in streaming ne sceglie una:
- Aspettare abbastanza contesto. Trattenere l'uscita finché un confine sintattico sembra sicuro. Accurato, e reintroduce parte del ritardo che volevi eliminare.
- Impegnarsi e rivedere. Emettere l'ipotesi migliore e riscriverla sullo schermo quando le parole successive la contraddicono. Veloce, e produce un visibile viavai di testo.
- Impegnarsi e non rivedere. Il più veloce, e sbagliato abbastanza spesso da essere pericoloso sulla negazione.
Leggi questa lista guardando lo schermo e puoi identificare la strategia di qualsiasi app in una sola conversazione. Il testo che appare e poi cambia in silenzio è la strategia 2. Il testo che appare in proposizioni complete, con un po' di ritardo, è la strategia 1.
La conseguenza misurabile: il comportamento di revisione è il motivo per cui due app con la stessa accuratezza nei benchmark si sentono diverse. I benchmark valutano la stringa finale. Gli utenti vivono quelle intermedie.
Stadio 4: la voce in uscita
La sintesi vocale aggiunge latenza in due punti che vengono spesso confusi.
Il primo è il tempo al primo audio: quanto passa tra la ricezione del testo e l'inizio della voce. Le piccole voci sul dispositivo partono quasi subito. Le voci neurali di qualità superiore vengono di solito sintetizzate sul server, il che aggiunge un viaggio di andata e ritorno, e alcune implementazioni sintetizzano l'intera frase prima di riprodurne qualsiasi parte, quindi una frase lunga è più lenta a partire di una corta.
Il secondo è la durata del parlato stesso. Una frase tradotta impiega per essere detta il tempo che una frase impiega per essere detta. Nessuna architettura lo elimina, ed è il motivo per cui la traduzione a mani libere negli auricolari di chi parla veloce resta progressivamente indietro: la coda audio cresce più in fretta di quanto si svuoti.
Dettaglio che vale la pena conoscere: pronunciare la stessa frase due volte di solito non costa nulla la seconda volta, perché l'audio sintetizzato viene messo in cache. Le app che conteggiano le voci premium in base alla durata dell'audio addebitano in genere solo la prima riproduzione. Le ripetizioni sono gratis.
C'è un effetto di secondo ordine che emerge nei posti rumorosi: se l'altra persona non sente il telefono, la soluzione è riprodurre di nuovo invece di ripeterti, perché una ripetizione non costa riconoscimento, traduzione né tempo di voce conteggiato.
Sul dispositivo o cloud: cosa compra davvero ciascuno
La linea viene di solito tracciata come questione di privacy. È anche una questione di latenza e copertura, e lo scambio è più netto di quanto suggerisca il marketing di entrambe le parti. Abbiamo scritto una guida completa su cosa significa davvero traduzione sul dispositivo; ecco la versione breve.
Il framework Translation di Apple è inequivocabile su dove avviene il lavoro: «All translations using the TranslationSession class are processed on the user's device. Apple may collect API usage and performance metrics including the app bundle ID and the original and translated language, but this data does not include the original or translated content» — tutte le traduzioni con la classe TranslationSession vengono elaborate sul dispositivo dell'utente; Apple può raccogliere metriche di utilizzo, ma non il contenuto originale o tradotto (TranslationSession, consultato il 12 agosto 2026).
Il problema è la disponibilità, e l'API vocale di Apple la modella esplicitamente con due proprietà separate. supportedLocales sono «the locales that the transcriber can transcribe into, including locales that may not be installed but are downloadable» — le lingue che il trascrittore può trascrivere, comprese quelle scaricabili ma non installate. installedLocales conta «only locales that are installed on the device» — solo le lingue installate sul dispositivo (SpeechTranscriber, consultato il 12 agosto 2026).
Quei due numeri raramente coincidono, ed è la fonte di un fallimento specifico e molto comune: un'app elenca una lingua, sali su un aereo, e smette di funzionare. La lingua era supportata ma mai scaricata. Anche i pacchetti di riconoscimento e quelli di traduzione sono download separati, quindi una coppia può essere installata a metà e fallire in una sola direzione.
| Sul dispositivo | Cloud | |
|---|---|---|
| Pavimento di latenza | Nessun viaggio di rete | Un viaggio per richiesta, variabile su rete mobile |
| Funziona in modalità aereo | Sì, una volta scaricato | No |
| Copertura di lingue | Più piccola, e vincolata ai download | Più grande |
| L'audio lascia il dispositivo | No | Sì |
| Comportamento con segnale scarso | Invariato | Degrada o si blocca |
Come verificare il tuo telefono prima di partire: scarica la coppia, attiva la modalità aereo e fai uno scambio completo in entrambe le direzioni. È l'unico test che distingue «supportata» da «installata», e richiede circa un minuto.
Dove va a finire davvero il tempo
Cifre approssimative per un breve scambio su una buona connessione, per mostrare quali stadi vale la pena ottimizzare.
| Stadio | A turni | Streaming |
|---|---|---|
| Attesa del timeout di silenzio | Da 700 a 1.000 ms | 0, l'uscita è già partita |
| Finalizzazione del riconoscimento | Da 100 a 300 ms | sovrapposta al parlato |
| Traduzione | Da 100 a 400 ms in cloud, meno sul dispositivo | sovrapposta, a blocchi |
| Tempo al primo audio parlato | Da 200 a 800 ms a seconda della voce | Da 200 a 800 ms |
Il timeout del punto di fine è il singolo costo fisso più grande, ed è l'unico che un'architettura diversa elimina del tutto invece di accorciare. Tutto il resto è questione di centinaia di millisecondi. Ecco perché il divario percepito tra app a turni e app in streaming è molto più grande della loro differenza in qualità dei modelli.
Come misurare qualsiasi traduttore da solo
Quattro misurazioni, un cronometro e circa dieci minuti. Fallo con l'app che hai già, prima di installarne un'altra.
- Tempo alla prima uscita. Pronuncia una frase di circa otto parole. Fai partire il cronometro all'ultima sillaba. Fermalo quando appare il primo testo tradotto. Questo isola il timeout del punto di fine.
- Tempo al primo audio. Stessa frase, ferma il cronometro quando parte la voce. La differenza con la misura 1 è il costo della sintesi vocale.
- Il test dell'interruzione. Pronuncia una frase con una pausa deliberata di 1,5 secondi a metà: «Mi serve un medico ... non una farmacia.» Un'app a turni di solito la tratterà come due frasi e può tradurre la seconda come frammento a sé. Questo è il tipo di fallimento con conseguenze reali.
- Il test della revisione. Guarda lo schermo, non il cronometro, mentre dici una frase il cui senso dipende dall'ultima parola. Nota se il testo mostrato cambia dopo essere apparso.
Ripeti tutti e quattro anche in modalità aereo. Qualsiasi app che si comporta diversamente sta usando la rete per qualcosa che non ti ha detto.
Cosa si rompe, in ogni app testata
La negazione. La classe di fallimento più grave, e peggiore nei design in streaming per la ragione strutturale vista sopra. «Lei non è allergica alla penicillina, ma io sì» è una frase in cui una negazione persa e un soggetto scambiato sono entrambi errori plausibili ed entrambi pericolosi. La nostra regola per qualsiasi cosa di medico: dilla in due frasi brevi, e leggi lo schermo invece di fidarti dell'audio.
I numeri detti in modo naturale. «Le quattro e mezza» e «un quarto alle sei» sopravvivono molto meno spesso di «16:30». Orari, prezzi e dosaggi vanno confermati sullo schermo, non a orecchio.
Il cambio di lingua a metà frase. Un nome proprio in un'altra lingua dentro una frase tende a venire tradotto quando non dovrebbe, o trascritto foneticamente in un nonsenso. Nomi di persone e di luoghi sono la vittima abituale.
L'autocorrezione. «Scusa, intendevo domani, non oggi» produce spesso due frasi tradotte contraddittorie invece di una corretta, perché il riconoscitore ha finalizzato la prima parte prima che arrivasse la correzione.
Cosa costa il design in streaming
Impegnarsi presto ha un prezzo reale, e OmniTalk lo paga in tre posti.
La revisione visibile. Il testo che si aggiorna mentre parli spiazza la prima volta, e nelle lingue con il verbo alla fine si aggiorna di più. Un'app che aspetta sembra più calma, perché nasconde l'incertezza invece di mostrarla. Noi la mostriamo, il che è onesto e a volte fastidioso.
Nessun vantaggio sulle frasi brevi. Per «quanto costa?» il timeout del punto di fine conta pochissimo. Le app a turni sono perfettamente adatte agli scambi transazionali di una frase sola, che sono una fetta grossa di ciò che i viaggiatori fanno davvero.
Niente è gratis. La Traduzione live di Apple è integrata nel sistema sull'hardware idoneo, senza costi, e se hai un iPhone compatibile con Apple Intelligence attiva e AirPods compatibili, è la prima cosa da provare. Abbiamo raccontato esattamente cosa fa e cosa non fa, ed è ancora vero.
Domande frequenti
La traduzione in tempo reale è davvero simultanea?
No. Anche il design in streaming più veloce resta dietro chi parla, come fa un interprete simultaneo umano. L'obiettivo realistico è due-quattro secondi dietro il parlato continuo, non zero.
Perché il mio traduttore mi taglia a metà frase?
Il suo timeout del punto di fine è scaduto durante una pausa naturale. Parlare con frasi complete più brevi lo aggira. Lo aggira anche un'app che non dipende dal rilevare il silenzio.
Sul dispositivo significa che funziona senza internet del tutto?
Solo dopo che la lingua è stata scaricata, e riconoscimento e traduzione sono di solito download separati. Verifica in modalità aereo prima di averne bisogno.
Un'app più grande traduce meglio?
No. I modelli linguistici offline inclusi dominano le dimensioni dell'app. Google Translate pesa 290,2 MiB e Microsoft Translator 25,6 MiB, e quella differenza è confezionamento, non qualità (schede App Store, consultate il 12 agosto 2026).
Perché peggiora quando uso gli auricolari?
Aprire il microfono Bluetooth forza l'intero collegamento su audio a qualità telefonica in entrambe le direzioni. L'accuratezza del riconoscimento cala con esso, e nessuna app può sottrarsi.
Quale approccio dovrei scegliere?
Quello a turni va bene per brevi scambi transazionali ed è più tranquillo da leggere. Lo streaming vale per la conversazione vera, dove aspettare un secondo dopo ogni frase si accumula in qualcosa che nessuno vuole sopportare.
Cifre consultate il 12 agosto 2026. Le dimensioni App Store sono in MiB, come le mostra lo store. Gli intervalli di latenza sono ordini di grandezza a scopo illustrativo, non misure di un test controllato; il metodo qui sopra ti permette di produrre le tue.
👉 Scarica OmniTalk sull'App Store · Tutte le funzionalità · FAQ di supporto (in inglese)