L'IA può estrarre ricette dai video di cucina? Come funziona davvero

È la domanda che ci sentiamo fare più di ogni altra: l’IA può estrarre ricette dai video? Non da un blog di cucina impaginato con tutti i crismi, ma da un TikTok di 45 secondi in cui qualcuno parla a raffica, butta ingredienti in padella e l’unica “ricetta” è quello che riesci ad afferrare prima che il video riparta da capo. La risposta breve è sì. Un’IA multimodale di oggi guarda un video di cucina, ascolta la voce fuori campo, legge le scritte a schermo e ne ricava una ricetta strutturata, con ingredienti, dosi e passaggi numerati. Ma il come è più interessante del cosa: spiega sia perché funziona sia dove fa cilecca.

Questo articolo è il complemento tecnico della nostra guida per salvare le ricette dai social, che racconta il perché e il metodo di lavoro.

I cinque canali dell’estrazione dai video

Un video di cucina sono almeno cinque fonti di informazione sovrapposte, e un sistema di estrazione all’altezza deve attingere a tutte.

1. L’analisi dei fotogrammi

L’IA non guarda tutti i fotogrammi di un video. Sceglie invece i fotogrammi chiave a intervalli regolari e nei punti in cui l’immagine cambia in modo netto, per esempio uno stacco dal piano di lavoro ai fornelli.

In quei fotogrammi l’IA cerca gli ingredienti disposti sul piano o sul tagliere, le misure leggibili su un misurino o su una bilancia da cucina, le scritte che i creator aggiungono per indicare le dosi o numerare i passaggi, le etichette sulle confezioni e lo stato del cibo nelle varie fasi: crudo, rosolato, che sobbolle, impiattato.

L’analisi dei fotogrammi vale doppio per una categoria che cresce in fretta, i video di cucina senza parole in stile ASMR, che altrimenti resterebbero muri di gomma per l’estrazione.

2. La trascrizione dell’audio

Il riconoscimento vocale è la spina dorsale dell’estrazione per la grandissima maggioranza dei video di cucina. Quasi tutti i creator commentano quello che fanno mentre lo fanno, e in quel racconto c’è il cuore della ricetta: “rosola il pollo a fuoco medio-alto quattro minuti circa per lato”.

I modelli di riconoscimento vocale di oggi reggono bene il disordine di una cucina vera. I rumori di fondo, l’olio che sfrigola, l’acqua che scorre, le pentole che sbattono, vengono filtrati via. Accenti e modi di parlare che avrebbero mandato in tilt i sistemi di qualche anno fa oggi non creano problemi. L’IA interpreta anche il linguaggio della cucina: sa che “buttaci dentro una noce di burro” vuol dire che il burro è un ingrediente e che “lascialo andare una ventina di minuti” è un’indicazione di tempo.

Parecchie ricette di TikTok esistono solo nell’audio: il creator racconta il procedimento senza scritte a schermo e senza niente di scritto da nessuna parte. Senza la trascrizione dell’audio, quelle ricette resterebbero chiuse dentro al video per sempre.

3. La lettura del testo a schermo (OCR)

Una fetta consistente di creator, soprattutto su TikTok, nei Reels di Instagram e negli Shorts di YouTube, sovrappone il testo direttamente al video: l’elenco degli ingredienti all’inizio, le dosi mentre gli ingredienti entrano in scena, i numeri dei passaggi durante la preparazione.

L’IA usa il riconoscimento ottico dei caratteri per leggere quel testo, ma va oltre l’OCR grezzo: interpreta la disposizione e il contesto. Una scritta grande in alto nei primi secondi è quasi certamente il titolo della ricetta.

È un canale particolarmente importante perché i video brevi che inseguono le tendenze del momento spesso si reggono sulle scritte, con un audio virale che suona sotto, il che vuol dire che la ricetta vive per intero nel livello del testo.

4. Didascalie e sottotitoli

I sottotitoli sono una fonte a sé, distinta dalla trascrizione dell’audio. Quelli generati in automatico dalla piattaforma sono in sostanza il riconoscimento vocale della piattaforma stessa: imperfetti, ma utili come controprova. Quelli caricati dal creator sono passati da una revisione a mano e tendono a essere più precisi.

Pluck non dipende dai sottotitoli automatici delle piattaforme: l’audio lo trascrive da sé, e legge la didascalia e la descrizione scritte dal creator. Ma dove esistono sottotitoli temporizzati, mostrano bene perché più fonti aiutano. Ogni blocco ha il suo riferimento temporale: se il sottotitolo a 2:34 dice “aggiungi l’aglio” e il fotogramma a 2:34 mostra l’aglio che finisce in padella, l’IA ha due conferme indipendenti della stessa istruzione.

5. Metadati e descrizione

Le descrizioni di YouTube includono di frequente l’elenco degli ingredienti, per intero o in parte, il link a un articolo con la ricetta scritta oppure i riferimenti temporali alle varie sezioni. Le didascalie di TikTok elencano gli ingredienti principali o citano il nome del piatto. Quelle di Instagram, ogni tanto, contengono la ricetta intera in forma di paragrafo.

Questi metadati fanno da fonte primaria e insieme da livello di verifica: una dose precisa nella descrizione può ancorare un accenno vago nell’audio.

Come l’IA rimette insieme i pezzi

Nessun canale, da solo, ti dà la ricetta completa, quindi l’IA incrocia tutti e cinque e sceglie, per ogni informazione, la versione più precisa e più attendibile.

Prendiamo una creator di TikTok che prepara un sugo veloce. Nell’audio dice “una tazza di farina”. La scritta in sovrimpressione dice “1 tazza di farina 00”. La descrizione dice “farina”. L’IA ne ricava “1 tazza di farina 00”: la misura arriva dall’audio, la specifica dalla scritta, la conferma dalla descrizione.

È questo incrocio tra canali diversi il vantaggio di fondo rispetto a qualunque approccio a fonte singola. Ormai tante app di ricette importano da TikTok e Instagram, ma quasi tutte leggono solo la didascalia; poche, come ReciMe, Honeydew e Deglaze, usano anche la trascrizione dell’audio, e Deglaze dichiara di leggere pure il testo a schermo. La pipeline di Pluck usa tutti i segnali che trova e li pesa per attendibilità e precisione, così da arrivare all’estrazione più completa possibile.

Il risultato è una ricetta interamente strutturata: titolo, elenco degli ingredienti con dosi e unità, istruzioni numerate passo per passo, tempo di preparazione, tempo di cottura, tempo totale, porzioni ed etichette per il tipo di cucina. È lo stesso formato pulito che otterresti da un blog di cucina impaginato bene, ed è per questo che la risposta conta anche dopo il salvataggio: come qualsiasi altra ricetta, un video salvato può finire nel piano dei pasti della settimana, in una lista della spesa che puoi condividere e nella modalità cucina, dove i timer partono dal passaggio in cui ti trovi. Abbiamo scritto anche un confronto dettagliato tra estrazione con l’IA e ritaglio dal web.

Quanto ci azzecca?

La precisione dell’estrazione cambia parecchio a seconda della fonte. Un video di YouTube con la voce pulita, le scritte a schermo e la ricetta completa nella descrizione produce un’estrazione molto accurata, perché tutti e cinque i canali portano dati coerenti che si confermano a vicenda. Un TikTok tiratissimo, con la musica di sottofondo a palla e nessuna scritta, produce un’estrazione più incerta.

Pluck affronta la cosa con un punteggio di affidabilità per ogni estrazione, che tiene conto di quanti canali hanno portato dati, di quanto quei dati coincidono tra loro e di quanto è completa la ricetta che ne esce. Una ricetta su cui tre canali concordano in modo indipendente sulle dosi vale più di una in cui l’IA ha dovuto arrangiarsi con una sola traccia audio disturbata.

Quando il punteggio è alto, di solito la ricetta si può salvare così com’è. Quando è più basso, Pluck ti mette la ricetta davanti perché tu la controlli prima che finisca nel tuo ricettario: puoi confrontare gli ingredienti con il video, correggere le dosi che ti suonano strane e aggiungere i passaggi che l’IA si è persa.

L’estrazione con l’IA è perfetta? No. Ma l’alternativa è guardarti il video, mettere in pausa ogni pochi secondi e battere la ricetta a mano: venti o quaranta minuti per video, e un procedimento pieno di errori anche quello. L’estrazione con l’IA ti consegna in pochi secondi una prima stesura solida, e il controllo ti porta via un minuto o due.

Dove l’estrazione dai video fa più fatica

I video tutta tecnica, in cui le dosi non si dicono mai. Certi creator cucinano a occhio e le quantità non le nominano proprio: prendono una manciata di formaggio, versano l’olio finché la padella è unta, regolano di sale a piacere. L’IA riconosce gli ingredienti, ma stimare le dosi guardando e basta non è affidabile. A volte “quanto basta” è l’estrazione più onesta possibile.

L’audio scadente o la musica troppo alta. Quando la traccia virale copre la voce del creator, il riconoscimento vocale peggiora. L’IA può ripiegare sulle scritte a schermo e sulla descrizione, ma se anche quelle sono scarne l’estrazione resta incompleta.

Il linguaggio impreciso. “Un goccio di panna”, “una bella colata di vino”, “brodo quanto basta a coprire”. Chi ha esperienza interpreta queste istruzioni a istinto, ma non si traducono in misure strutturate. L’IA le riporta come sono, invece di inventarsi una precisione che nel video non c’è.

I video lunghi con dentro più ricette. Un filmato di 20 minuti del tipo “che cosa mangio in un giorno” può contenere quattro o cinque ricette diverse. L’IA deve capire dove finisce una e comincia l’altra, ed è più difficile che estrarre una ricetta sola. I risultati migliorano, ma i video con più ricette restano il caso più ostico.

Il montaggio a raffica. Certi video brevi cambiano inquadratura ogni mezzo secondo e le scritte lampeggiano per trecento millesimi. A quella velocità anche un campionamento intelligente dei fotogrammi può lasciarsi sfuggire qualcosa.

Il ciclo che migliora la precisione

La qualità dell’estrazione cresce per due strade.

La prima: i modelli sotto il cofano migliorano, quelli di visione come quelli di riconoscimento vocale e quelli linguistici. Compiti che un anno fa davano risultati mediocri oggi danno risultati solidi. Pluck si appoggia a più fornitori di IA, tra cui Claude, GPT e Gemini, e può indirizzare ogni estrazione al modello che se la cava meglio con quel tipo di contenuto.

La seconda: il punteggio di affidabilità ti dice dove concentrare l’attenzione. Quando il punteggio è basso rivedi e correggi la ricetta, e le correzioni restano salvate nella tua copia. Non servono ad addestrare modelli di IA: i fornitori di IA che Pluck usa non si addestrano sui tuoi dati. I miglioramenti arrivano da modelli migliori e dalla messa a punto della pipeline stessa.

Abbiamo scritto una guida dedicata a come vengono convertiti i video di cucina di YouTube.

Una tecnologia che prima non esisteva

Due anni fa, per tirare fuori una ricetta da un video non c’era altro modo che batterla a mano. I modelli capaci di capire nello stesso momento fotogrammi, parlato e scritte a schermo, con la qualità che serve quando si parla di cucina, semplicemente non c’erano.

Oggi condividi o incolli un indirizzo e, di solito in pochi secondi, hai una ricetta strutturata. I video più lunghi vengono elaborati in background e ti arriva una notifica quando la ricetta è pronta, quindi non devi tenere l’app aperta. Pluck regge i contenuti di YouTube, TikTok, Instagram e Facebook, compresi i caroselli di foto di Instagram e TikTok, che legge come un’unica ricetta. Funziona in più lingue. Digerisce di tutto, dagli Shorts da trenta secondi ai video di cucina fino a 30 minuti. La pagina come funziona Pluck racconta la pipeline per intero.

Il futuro di come si mettono da parte le ricette non sono i segnalibri e gli screenshot che spariscono quando la piattaforma cambia idea. Sono dati strutturati, ricavati con intelligenza dal formato in cui la ricetta si trova a vivere, video compresi.

Per capire quali app di ricette usano l’IA e quanto bene la usano, leggi la nostra guida sulle app di ricette con IA, la scheda sulla migliore app per le ricette di TikTok oppure il confronto completo tra app di ricette.

---

Ti va di provare di persona l’estrazione delle ricette con l’IA? Pluck è disponibile su iOS e Android. Scaricalo su Google Play. Lo trovi anche su iOS.