Passa al contenuto principale

Voice AI full-duplex: perché gli agenti vocali sono diventati di colpo reali

Principiante

Per un decennio, parlare con un computer significava fare a turno con un walkie-talkie che fingeva di essere una persona. L'8 luglio 2026, OpenAI ha rilasciato GPT-Live — un modello vocale che ascolta mentre parla — e l'era del walkie-talkie ha ufficialmente iniziato a finire. Questa pagina spiega cosa è davvero cambiato sotto il cofano, perché il vecchio stack vocale era condannato a sembrare robotico, e come giudicare tutto il panorama degli agenti vocali del 2026 senza l'hype.

What you'll learn
  • Capire perché la classica pipeline STT → LLM → TTS sembrava sempre lenta — è fisica, non rifinitura
  • Sapere cosa significa full-duplex: un unico modello speech-native che ascolta e parla simultaneamente
  • Avere i fatti verificati su GPT-Live e il panorama vocale attuale (OpenAI, Google, ElevenLabs, Anthropic, modelli aperti)
  • Sapere quando un agente vocale è genuinamente valido oggi — e cosa ancora si rompe

Il problema dei 200 millisecondi​

Ecco il fatto che spiega tutto il resto su questa pagina: gli umani si rispondono l'un l'altro in circa 0–200 millisecondi. Uno studio cross-linguistico di riferimento su 10 lingue (Stivers et al., PNAS 2009) ha trovato che i divari di risposta si concentrano vicino a 0 ms in ogni cultura testata — cominciamo abitualmente a rispondere prima che l'altra persona finisca, perché i nostri cervelli predicono la fine del suo turno.

Ora confronta il classico stack degli assistenti vocali. Era una pipeline di tre modelli separati incollati insieme:

  1. STT (speech-to-text) trascrive il tuo audio in testo,
  2. un LLM legge la trascrizione e scrive una risposta,
  3. TTS (text-to-speech) ritrasforma la risposta in audio.

Ogni fase deve (perlopiù) finire prima che la successiva inizi, quindi i loro ritardi si sommano. Peggio, la pipeline non ha idea di quando hai smesso di parlare — l'audio non ha un pulsante "invia" — quindi gli ingegneri hanno appiccicato un timer di silenzio VAD (voice activity detection): aspetta circa mezzo secondo o un secondo di silenzio, poi indovina che il turno è finito. Quel singolo espediente spiega entrambe le classiche modalità di fallimento: fermati a metà frase per pensare e il bot ti interrompe; finisci in modo netto e resta comunque lì ad aspettare il suo timer di silenzio. Somma tutto e ottieni 1–3 secondi di silenzio morto dove un umano si aspetta ~0–200 ms — un ordine di grandezza troppo lento, prima ancora che il modello abbia detto una parola.

E peggiora: la pipeline è half-duplex, come un walkie-talkie. Mentre il bot parla, non ascolta. Non puoi interrompere ("barge in") senza ingegneria speciale, il bot non può mai dire "mhmm" mentre tu parli, e qualsiasi sovrapposizione — la parte più umana della conversazione — è semplicemente impossibile per costruzione.

Cosa significa davvero "full-duplex"​

Full-duplex è un termine delle telecomunicazioni: entrambe le direzioni trasmettono nello stesso momento (una telefonata), contro half-duplex, dove si alternano (un walkie-talkie). Applicato alla voice-AI:

  • Il modello ascolta e parla simultaneamente. Non c'è una macchina a stati "il tuo turno / il mio turno" — l'audio in ingresso arriva in streaming continuo mentre l'audio in uscita esce in streaming.
  • È speech-native. Un unico modello consuma e produce audio direttamente, invece di tre modelli che si passano testo. Nessun passaggio di trascrizione, nessun passaggio di sintesi, nessuna latenza impilata — e nessuna perdita di informazione (tono, esitazione, ironia ed emozione sopravvivono, perché non sono mai stati appiattiti in testo).
  • Il turn-taking diventa un comportamento appreso, non un timer. Secondo la descrizione di GPT-Live di OpenAI, il modello prende decisioni di interazione "molte volte al secondo": se parlare, continuare ad ascoltare, fare una pausa, dare conferma, interrompere o invocare uno strumento. L'espediente della rilevazione del silenzio scompare perché il modello predice le fini dei turni come fanno gli umani.
  • Backchannel e barge-in arrivano gratis. Può mormorare "mhmm" mentre parli (un backchannel), fermarsi a metà frase nell'istante in cui tu ti inserisci (barge-in), o restare in silenzio mentre pensi — tutto impossibile o fatto di espedienti in una pipeline.

Pochi lo sanno: il full-duplex non è stato inventato da OpenAI nel 2026. Il laboratorio francese Kyutai ha reso open-source Moshi nel 2024 — un modello vocale full-duplex con ~160 ms di latenza teorica / ~200 ms pratica che modella due stream audio paralleli (il tuo e il suo) e usa un "Inner Monologue" di token di testo allineati nel tempo per mantenere il suo parlato linguisticamente coerente. Puoi scaricare i pesi ed eseguirlo localmente oggi. Ciò che è cambiato questo mese è che il full-duplex è passato da demo di ricerca a interfaccia predefinita per centinaia di milioni di utenti ChatGPT.

GPT-Live: cosa ha davvero rilasciato OpenAI​

Verificato contro l'annuncio di OpenAI e la copertura del lancio (8 luglio 2026):

  • Due modelli: GPT-Live-1 e GPT-Live-1 mini. Il mini sostituisce Advanced Voice Mode come default di ChatGPT Voice (incluso il piano gratuito); il più grande GPT-Live-1 è per i piani a pagamento. TechCrunch riporta che oltre 150 milioni di persone usano già le funzioni vocali di ChatGPT.
  • Vera architettura full-duplex. Elaborazione continua dell'input mentre genera l'output, con decisioni di parlare/ascoltare/pausa/interrompere/strumento prese molte volte al secondo. Fa backchannel ("mhmm", "sì"), gestisce scambi rapidi e — notevolmente — può restare zitto e assorbire semplicemente il contesto finché non viene chiamato in causa.
  • Delega a un modello di frontiera. Per ricerca web, ragionamento più profondo o lavoro agentico, GPT-Live passa il compito al modello di frontiera di OpenAI (GPT-5.5 al lancio) in background e continua a parlare con te mentre il risultato torna. Il modello vocale è il front-end conversazionale; il pensiero pesante avviene altrove. Questo split "parlatore veloce + pensatore lento" è il pattern architetturale da tenere d'occhio.
  • Traduzione live deriva dal design continuo ascolta-mentre-parli — il modello può rendere la tua frase in un'altra lingua quasi mentre la dici. (La copertura del lancio ha notato che la qualità dell'accento è ancora irregolare in alcune lingue.)
  • Nessuna API per sviluppatori al lancio. GPT-Live è un prodotto ChatGPT per ora; OpenAI dice che l'accesso API sta arrivando e ha un modulo di iscrizione. Per chi costruisce, gpt-realtime sulla Realtime API rimane l'attuale prodotto per sviluppatori (vedi sotto).
  • Limiti noti al lancio: nessun video/condivisione schermo nella sessione vocale, qualità irregolare al di fuori delle lingue principali, e OpenAI dice di monitorare gli effetti di dipendenza emotiva.

Il panorama vocale, verificato (luglio 2026)​

AttoreCosa esisteFull-duplex?Note
OpenAI — GPT-LiveChatGPT Voice (consumer)Sì — speech-nativeDelega i compiti difficili a un modello di frontiera a metà conversazione; nessuna API ancora
OpenAI — Realtime API (gpt-realtime)API per sviluppatori, GASpeech-to-speech, modello unicoAgenti vocali di produzione: chiamate telefoniche SIP, server MCP remoti, input immagine
Google — Gemini Live APIAPI per sviluppatori (AI Studio / Vertex, GA)Native-audio, streamingBarge-in, "proactive audio" (parla solo quando rilevante), dialogo affettivo, uso di strumenti + Google Search
ElevenLabs — AgentsPiattaforma di agenti (lanciata mar 2026)Stack orchestrato con modello di turn-taking proprietarioTTS/STT + turn-taking + chiamate a strumenti; 70+ lingue; affermazioni di primo-turno sotto 500 ms; canali telefono/web/app
Anthropic — ClaudeVoice mode nelle app Claude; push-to-talk /voice in Claude Code (mar 2026, multilingue fuori beta giu 2026)No — a turniParla, ottieni risposte parlate con una trascrizione salvata. Nessun modello speech-native full-duplex annunciato alla data di verifica — non lasciare che nessuno ti dica il contrario
Kyutai — MoshiPesi aperti + codice (GitHub, Hugging Face)Sì — la prova open-source~160–200 ms di latenza, audio a doppio stream, "Inner Monologue"; gira localmente

Due conclusioni da quella tabella che gran parte della copertura manca: (1) "agente vocale" oggi significa due architetture diverse — modelli full-duplex genuinamente speech-native (GPT-Live, Moshi, native audio di Gemini) contro pipeline molto veloci e ben orchestrate con un modello di turn-taking appreso sopra (ElevenLabs Agents). Entrambe possono sembrare buone; solo la prima può sovrapporre il parlato. (2) L'opzione open-source è reale: Moshi dimostra che puoi eseguire il full-duplex sul tuo hardware, il che conta se il tuo caso d'uso non può inviare audio a un cloud (vedi Scegliere un modello per quel framework decisionale).

Come scorre davvero una conversazione full-duplex​

Guided walkthrough1 of 5
  1. Non c'è registra-poi-invia. L'audio del tuo microfono viene codificato in token frame dopo frame (il codec di Moshi usa frame da 80 ms) e alimentato al modello mentre arriva — anche mentre il modello è a metà frase.

Quando gli agenti vocali sono ora validi — e cosa ancora si rompe​

Ora genuinamente validi:

  • Assistenza clienti e workflow telefonici. Turn-taking sotto il secondo più barge-in rimuovono i due maggiori fattori di lamentela. Il supporto SIP della Realtime API e ElevenLabs Agents puntano esattamente a questo.
  • Uso a mani libere e con gli occhi occupati. Guida, cucina, lavoro sul campo, accessibilità — l'interazione finalmente sta al passo col parlato (voice mode sulle app Claude copre già la versione cattura-e-trascrivi di questo).
  • Traduzione live e pratica linguistica. L'ascolto-mentre-si-parla rende possibili per la prima volta l'interpretazione quasi simultanea e le esercitazioni di conversazione naturale.
  • La voce come front-end di un agente. Il pattern di delega — chatta con un modello vocale veloce mentre un modello di frontiera lento fa il lavoro — è la scommessa dichiarata di OpenAI per gestire il "lavoro agentico di lunga durata" tramite voce.

Ancora si rompono:

  • Audio allucinato. I modelli speech-native possono allucinare nel suono, non solo nei fatti: deriva verso la lingua sbagliata, nomi e numeri storpiati, o accenti sballati (la demo di traduzione del lancio di GPT-Live ha attirato esattamente questa critica). Non fidarti mai di un numero parlato che non hai confermato.
  • Ambienti rumorosi e crosstalk. I microfoni sempre aperti sentono tutto — conversazioni laterali, TV, un secondo parlante. Il full-duplex rende il modello più esposto all'audio ambientale, non meno.
  • Sicurezza delle azioni in tempo reale. Un modello che agisce a velocità di conversazione può agire su una frase male interpretata a velocità di conversazione. Qualsiasi agente vocale che tocca denaro, messaggi o cancellazioni ha bisogno di gate espliciti di conferma parlata e di una predisposizione verso default di sola lettura — le stesse regole di qualsiasi agente (vedi Fondamenti), ma con un canale di input a fedeltà inferiore.
  • Dipendenza emotiva. Un sistema che fa backchannel, esita e non si stanca mai di te è ingegnerizzato per sembrare un amico. OpenAI stessa segnala di monitorare questo. Progetta (e usa) di conseguenza.

Scheletro di system prompt per un agente vocale (funziona su modelli speech-native e pipeline)

You are a voice assistant for {company}. You are SPEAKING, not writing.

Style:
- Short sentences. One idea per sentence. No lists, no markdown, no URLs read aloud.
- If the user interrupts, stop immediately and address what they said.
- If the user pauses mid-thought, stay silent. Do not fill silence.

Safety:
- Before ANY action that sends, buys, deletes, or changes something:
say back exactly what you will do and wait for a clear spoken "yes".
- Repeat numbers, names, and addresses back for confirmation — always.
- If audio is unclear or noisy, say what you think you heard and ask.
- If asked for something outside {scope}, say so and offer a human handoff.

Mettiti alla prova

0/4
  1. Perché il classico stack STT → LLM → TTS sembrava sempre lento?
  2. Cosa può fare un modello full-duplex che una pipeline half-duplex non può, per costruzione?
  3. Come gestisce GPT-Live una domanda che richiede ricerca web o ragionamento profondo?
  4. Quale di questi era vero PRIMA che GPT-Live fosse lanciato?
Vocabolario della voice-AI
Premi Invio o Spazio per girare la carta. Usa le frecce sinistra e destra per spostarti tra le carte.Termine mostrato.
1 / 8
Key takeaways
  • Il vecchio stack non era mal costruito — era strutturalmente troppo lento: latenza impilata STT/LLM/TTS più un timer di silenzio, contro i ~0–200 ms che gli umani si aspettano
  • Full-duplex = un unico modello speech-native che ascolta mentre parla; barge-in, backchannel e silenzio deliberato diventano comportamenti appresi, non espedienti
  • GPT-Live (8 luglio 2026) rende mainstream il full-duplex in ChatGPT e apre la strada alla delega: modello vocale veloce davanti, ragionamento del modello di frontiera in background
  • Il panorama si divide in due: full-duplex speech-native (GPT-Live, native audio di Gemini, Moshi — open source dal 2024) contro pipeline veloci orchestrate con turn-taking appreso (ElevenLabs Agents); la voce di Claude rimane a turni
  • Gli agenti vocali sono ora validi per supporto, mani libere e traduzione — ma le allucinazioni audio, le stanze rumorose e la sicurezza delle azioni in tempo reale richiedono ancora gate di conferma

Prossimo​

Fonti e approfondimenti​