Voice AI realtime: latenza sotto-secondo e multilingue diventano la norma
In una frase Le API voice realtime di OpenAI, Google ed ElevenLabs convergono su latenza < 500ms, multilingue fluente e prosodia naturale. Il telefono come canale agentico diventa pratico.
La voce è stata, per anni, il cugino povero dei modelli AI: trascrizione (Whisper, 2022) e sintesi (text-to-speech) erano due passi separati, lenti, con una conversazione che suonava "robotica". Nel 2024-2025 questo è cambiato: OpenAI Realtime API, Google Gemini Live, ElevenLabs Conversational hanno portato la voce a uno step end-to-end con latenza accettabile.
A maggio 2026 la tecnologia è matura: latenza sotto i 500ms (rendendo l'interazione indistinguibile da una telefonata umana), multilingue fluente che cambia lingua a metà frase senza problemi, prosodia che riconosce e replica emozione, sussurri, sospiri.
Per chi sviluppa: l'API voice realtime è diventata stabile e costa abbastanza poco da essere usata in produzione per customer support, vendite outbound, raccolta dati. Il "telefono come canale AI" non è più una demo.
Per chi riceve queste chiamate: il dibattito etico e regolatorio è caldissimo. AI Act richiede disclosure ("stai parlando con un'AI"); molti stati USA aggiungono regole proprie.
Aziende
OpenAI, Google, ElevenLabs
Tool
Realtime API, Voice mode
Tag
Fonti