Gli agenti vocali in italiano nel 2026 sono cambiati soprattutto per un motivo: i nuovi modelli voce-voce in tempo reale ascoltano e rispondono con un unico sistema, invece di passare da trascrizione, testo e sintesi vocale. Secondo la documentazione dei produttori, questo riduce la latenza, conserva le sfumature della voce e rende più gestibili interruzioni e rumore di fondo. Restano limiti precisi, e dal 2 agosto 2026 resta l’obbligo di dire chiaramente che si sta parlando con un’AI.
In breve
- Il 28 agosto 2025 OpenAI ha reso disponibile a tutti la Realtime API con il modello gpt-realtime, che elabora e genera audio con un unico modello e supporta il collegamento alla rete telefonica tramite SIP.
- Il 26 marzo 2026 Google ha presentato Gemini 3.1 Flash Live, con latenza più bassa, pensato anche per ambienti rumorosi, con una migliore comprensione del tono di chi parla e audio marcato con SynthID.
- Le interruzioni si gestiscono con il rilevamento dell’attività vocale: la modalità semantica di OpenAI capisce quando l’utente ha finito di parlare ed è meno propensa a interromperlo.
- L’articolo 50 dell’AI Act si applica dal 2 agosto 2026: chi parla con un sistema di AI deve esserne informato dall’inizio della prima interazione, salvo che sia ovvio.
Cosa è cambiato negli agenti vocali tra 2025 e 2026?
Un agente vocale è un sistema di intelligenza artificiale che sostiene una conversazione al telefono o in un’app: ascolta, capisce la richiesta, consulta le informazioni di cui dispone e risponde a voce.
Fino a poco tempo fa quasi tutti gli agenti vocali funzionavano «a catena»: un sistema trascriveva la voce in testo, un modello linguistico scriveva la risposta, un terzo sistema la leggeva ad alta voce. Ogni passaggio aggiungeva ritardo e perdeva informazioni, come il tono o l’esitazione di chi parla.
Il cambio di passo è il modello voce-voce (in inglese speech-to-speech): un unico modello riceve l’audio e produce audio. Nell’annuncio di gpt-realtime OpenAI spiega che questo approccio riduce la latenza e conserva le sfumature del parlato. Lo stesso modello, secondo OpenAI, segue meglio le istruzioni, anche quelle minori, e può cambiare lingua a metà frase.
Google va nella stessa direzione con Gemini 3.1 Flash Live, descritto come «intrinsecamente multilingue» e usato anche per Search Live, la ricerca vocale di Google disponibile in italiano.
Latenza, interruzioni e rumore: cosa dicono i produttori?
Latenza
La latenza è il tempo che passa tra la fine della frase del cliente e l’inizio della risposta. Né OpenAI né Google, nei post di lancio, danno un valore in millisecondi: parlano di latenza ridotta rispetto ai modelli precedenti e, nel caso di Google, di risposte più rapide rispetto al modello precedente. Diffida di chi promette numeri precisi senza dire come li ha misurati.
Interruzioni
Al telefono le persone si interrompono, si correggono, fanno pause per pensare. La documentazione della Realtime API di OpenAI descrive due modi per capire quando il cliente ha finito di parlare:
- rilevamento basato sul silenzio, regolabile: pause più brevi rendono i turni più rapidi, ma aumentano il rischio di parlare sopra il cliente;
- rilevamento semantico, che usa un classificatore per capire se la frase è conclusa ed è, secondo OpenAI, meno propenso a interrompere l’utente.
Se il cliente parla mentre l’agente sta rispondendo, l’agente può interrompersi e ascoltare. Ne abbiamo parlato in come conversa al telefono un agente vocale senza sembrare un robot.
Rumore e tono
Secondo Google, Gemini 3.1 Flash Live permette di costruire agenti che lavorano anche in ambienti rumorosi e riconosce sfumature acustiche come altezza e ritmo della voce meglio del modello precedente, adattandosi a un utente frustrato o confuso. Nella Realtime API di OpenAI la soglia di attivazione si può alzare per lavorare meglio in ambienti rumorosi.
Voci naturali
OpenAI ha introdotto due nuove voci, Marin e Cedar, e usa solo voci predefinite per ridurre il rischio che qualcuno imiti persone reali. Google marca tutto l’audio generato da Gemini 3.1 Flash Live con SynthID, un watermark inserito nel suono che serve a riconoscere i contenuti prodotti dall’AI.
Quali limiti restano, anche in italiano?
- Dialetti e accenti marcati. Nella documentazione ufficiale che abbiamo consultato non ci sono dati sul riconoscimento dei dialetti italiani. Va provato sul campo, con le voci reali dei propri clienti.
- Nomi propri, indirizzi e codici. Cognomi, vie, targhe e codici restano i punti più fragili: conviene far ripetere e confermare.
- Linee disturbate. Vivavoce in auto e cantieri mettono alla prova qualsiasi modello.
- Informazioni. Un agente vocale è affidabile quanto le informazioni che gli si danno: deve rispondere solo con contenuti approvati e dire «non lo so» quando serve.
- Casi delicati. Reclami, urgenze, situazioni emotive vanno passati a una persona.
Bisogna dire al cliente che sta parlando con un’AI?
Sì. L’articolo 50, paragrafo 1, dell’AI Act chiede che i sistemi di AI che interagiscono direttamente con le persone siano progettati in modo che chi parla sia informato di interagire con un’AI, salvo che sia ovvio. Secondo le FAQ della Commissione europea l’informativa va data dall’inizio della prima interazione, in modo chiaro e distinguibile, e l’eccezione dell’ovvietà va interpretata in modo restrittivo. L’obbligo si applica dal 2 agosto 2026; il periodo transitorio deciso con l’omnibus sull’AI riguarda solo la marcatura dei contenuti generati, non questa informativa.
Anche OpenAI, nelle regole per chi usa la Realtime API, chiede agli sviluppatori di rendere chiaro agli utenti finali quando interagiscono con un’AI. Approfondimento completo in trasparenza AI dal 2 agosto 2026.
Da dove partire
- Ascolta 20 chiamate reali e annota le richieste più frequenti, gli accenti, i rumori, le parole difficili.
- Prepara le informazioni che l’agente potrà usare: orari, servizi, regole di prenotazione, cosa non deve mai dire.
- Decidi quando la chiamata passa a una persona e cosa succede fuori orario.
- Prova l’agente con colleghi che parlano in modo diverso, al telefono vero, anche in auto.
- Controlla che il messaggio iniziale dica chiaramente che si tratta di un assistente virtuale.
- Se vuoi un agente vocale per le chiamate in entrata configurato e seguito da noi, scopri AVI: si presenta come assistente virtuale, risponde solo con le informazioni approvate e passa la chiamata a una persona quando serve. Prima di scegliere, leggi anche cosa chiedere prima di affidargli il telefono.
Informazioni aggiornate a novembre 2026. Questo articolo non è una consulenza legale.
Domande frequenti
Cos’è un modello voce-voce?
È un modello di AI che riceve l’audio e produce direttamente audio, senza passare da trascrizione e sintesi vocale separate. Secondo OpenAI questo approccio riduce la latenza e conserva le sfumature del parlato.
Un agente vocale capisce i dialetti?
La documentazione ufficiale di OpenAI e Google che abbiamo consultato non fornisce dati sui dialetti italiani. Il riconoscimento di accenti marcati e dialetti va verificato con prove reali sulle chiamate della propria azienda.
L’agente vocale deve dire di essere un’AI?
Sì. Dal 2 agosto 2026 l’articolo 50 dell’AI Act chiede di informare le persone che stanno interagendo con un sistema di AI, dall’inizio della prima interazione e in modo chiaro, salvo che sia ovvio. Il modo più semplice è dirlo nel messaggio di benvenuto.
Un agente vocale può collegarsi al centralino aziendale?
Tecnicamente sì: OpenAI, per esempio, ha introdotto nella Realtime API il supporto SIP per collegarsi alla rete telefonica, ai centralini PBX e ad altri dispositivi SIP. L’integrazione concreta dipende dal centralino e dal fornitore che configura l’agente.
Fonti
- OpenAI, «Introducing gpt-realtime and Realtime API updates for production voice agents», 28 agosto 2025
- OpenAI, «Voice activity detection (VAD)», documentazione Realtime API
- Google, «Gemini 3.1 Flash Live», 26 marzo 2026
- Commissione europea, «Transparency obligations under Article 50 AI Act», FAQ aggiornate al 24 luglio 2026
- Consiglio dell’UE, «Timeline: Artificial intelligence»
