Voice AI multilingue: cosa significano davvero 62 lingue

Un numero di lingue serve solo se dice con onestà che cosa conta. L'inventario tecnico confermato di DRING copre 62 lingue su voce, WhatsApp, SMS ed email. Descrive le configurazioni di riconoscimento vocale, sintesi e messaggistica che si possono combinare nella piattaforma. Non significa che ogni lingua abbia la stessa voce, la stessa copertura dei dialetti, la stessa resa al telefono o lo stesso livello di prove in produzione.

Per il lancio pubblico DRING raccomanda di proposito un insieme più piccolo: inglese con le varianti britannica, australiana e di Singapore; turco; tedesco; francese; olandese; spagnolo; arabo degli Emirati; italiano; portoghese europeo; polacco. Ogni variante locale e ogni processo richiesti vengono validati sul percorso telefonico reale prima della produzione. La promessa diventa più chiara: ampia copertura tecnica, e un insieme più ristretto con qualità verificata, che si guadagna il diritto a una dichiarazione pubblica solo dopo i test.

La distinzione conta per un responsabile dell'assistenza clienti che sceglie un agente vocale, ma conta anche per la qualificazione dei lead, la prenotazione degli appuntamenti, la logistica, il coordinamento sanitario, l'assistenza finanziaria, i processi HR, i sondaggi e la riattivazione dei clienti. Un agente non funziona perché sa pronunciare un saluto. Funziona quando chi chiama riesce a portare a termine ciò per cui ha chiamato, il sistema registra l'esito giusto e, quando il processo arriva al suo limite, una persona riceve il contesto corretto.

Capacità tecnica non vuol dire qualità in produzione

La documentazione dei provider di solito risponde a una domanda di compatibilità: il modello accetta o genera il codice di una lingua? Chi compra per la produzione ha bisogno di una risposta più difficile. La voce scelta resta comprensibile su una linea telefonica a 8 kHz? Il riconoscimento vocale cattura il nome di un'azienda, un numero d'ordine e un indirizzo locale? L'agente capisce un'interruzione, usa correttamente uno strumento e passa una chiamata difficile a una persona senza perdere la pratica?

Sono livelli diversi. Una lingua può comparire nell'elenco di un provider di text-to-speech senza che esista una voce approvata da DRING per un certo dialetto. Un modello di speech-to-text può elencare una lingua mentre un operatore telefonico, un codec, un tipo di rumore o una velocità di eloquio specifici generano errori. Una trascrizione fluida può comunque produrre un parametro sbagliato per uno strumento. Una voce naturale può comunque leggere male un numero. L'unica decisione di prodotto difendibile, quindi, riguarda una combinazione testata di lingua, variante locale, processo, modello STT, modello TTS, prompt, glossario, percorso telefonico e fallback.

La pagina pubblica sulle lingue dovrebbe rendere leggibili queste prove. Dovrebbe indicare se una lingua è raccomandata per il lancio, disponibile su richiesta o sperimentale; quale variante locale è stata testata; quando è stata rivista l'ultima volta; quali processi rientrano nel perimetro; e cosa succede quando il riconoscimento o l'instradamento per lingua sono incerti.

L'architettura audio: tre compiti distinti

Una chiamata multilingue con DRING si capisce meglio come una catena:

audio telefonico -> speech-to-text -> GPT-5.6 come cervello testuale e di ragionamento -> text-to-speech -> audio telefonico

Il modello testuale e di ragionamento GPT-5.6 scelto non fa STT né TTS. La documentazione attuale di OpenAI sul modello GPT-5.6 indica input e output testuali e input di immagini, mentre l'audio risulta non supportato. GPT-5.6 può fare da cervello per il ragionamento e l'uso degli strumenti dopo che arriva la trascrizione. Può scegliere un processo, applicare una regola, decidere se fare una domanda di chiarimento, chiamare uno strumento approvato e produrre il testo della risposta. Non ascolta il segnale telefonico e non sintetizza la risposta parlata.

OpenAI documenta a parte i modelli in grado di gestire l'audio, tra cui gpt-realtime-2.1 e gpt-audio-1.5. Questi modelli non sono intercambiabili con quanto si dice di GPT-5.6 come modello testuale e di ragionamento. Il sito DRING dovrebbe nominare i provider STT e TTS effettivamente usati per ogni percorso vocale e non lasciare intendere che sia GPT-5.6 a fornire microfono, riconoscimento telefonico o voce.

Questa separazione rende anche i test più utili. Gli errori di riconoscimento appartengono al percorso STT e audio. Pronuncia e naturalezza appartengono alla voce TTS e alla normalizzazione del testo. Decisioni sbagliate, violazioni delle regole e chiamate errate agli strumenti appartengono al ragionamento e al processo. Un test sulla chiamata completa deve misurare tutti e tre i livelli, senza nasconderne uno dietro una percentuale di successo complessiva. Scoprite la piattaforma DRING per vedere come si collegano i processi.

I provider a confronto per il lavoro telefonico multilingue

Queste sono capacità documentate dai provider, non punteggi di DRING. ElevenLabs, per esempio, documenta mu-law e A-law a 8 kHz come formati di uscita ottimizzati per la telefonia, ma questo non dimostra che una certa voce suonerà naturale dopo la codifica. Deepgram documenta il supporto linguistico e i relativi controlli, ma questo non dice quali errori farà un processo in turco, in arabo degli Emirati o in polacco su un determinato operatore. È nel processo di qualità e test che una dichiarazione di compatibilità diventa una decisione di rilascio.

L'insieme di lingue raccomandato

L'insieme raccomandato è una scelta di mercato e di prove, non una classifica delle lingue. Mette insieme i mercati di acquisizione dichiarati da DRING, la copertura documentata dai provider e la possibilità concreta di trovare revisori madrelingua, costruire la terminologia e testare le chiamate al telefono.

Dove si colloca il bulgaro

Il bulgaro è dichiaratamente validato su richiesta: non è escluso, e non viene contato in silenzio tra le priorità pubbliche. ElevenLabs documenta il bulgaro in Multilingual v2. Deepgram lo documenta sia in Nova-3 sia in Nova-2, mentre resta fuori dall'insieme supportato da Flux multilingue. Il bulgaro è quindi una richiesta tecnicamente credibile, con un'opzione di modello reale, ma senza prove sufficienti per una dichiarazione pubblica di qualità generalizzata.

Un progetto pilota per un cliente bulgaro dovrebbe avere una scelta di voce bg-BG , un panel di revisori madrelingua, nomi di aziende e luoghi bulgari, test su numeri e indirizzi, un elenco di keyterm, il passaggio a un operatore, una lingua di fallback e un registro di rilascio datato. Se la scheda lingua supera la stessa soglia telefonica delle lingue raccomandate, il bulgaro può essere promosso senza cambiare la dichiarazione più ampia sulle 62 lingue.

Livelli di lingua e regole di rilascio

Raccomandate per il lancio pubblico: inglese con tre varianti locali, turco, tedesco, francese, olandese, spagnolo, arabo degli Emirati, italiano, portoghese europeo e polacco. Sono le sole lingue raccomandate per una comunicazione di lancio che metta in primo piano la qualità, e solo per i processi e le varianti locali che hanno superato la soglia.

Validate su richiesta: bulgaro, rumeno, ceco, greco, ungherese, croato, slovacco, ucraino, danese, svedese, finlandese e norvegese sono candidati sensati per un cliente specifico, perché i relativi percorsi dei provider sono documentati. Servono una scheda lingua, revisori madrelingua e un test telefonico completo prima di qualsiasi promessa di produzione. La stessa regola vale per qualunque lingua prioritaria quando un cliente chiede un nuovo dialetto, operatore telefonico o processo.

Sperimentali o in attesa: lingue di coda lunga che si appoggiano soprattutto all'ampia copertura TTS di Eleven v3, che non hanno un percorso STT Deepgram in tempo reale testato per quel processo, una voce telefonica approvata o una revisione madrelingua. Possono rientrarvi varianti dell'arabo non testate, varianti del cinese, giapponese, coreano, hindi, russo, vietnamita, indonesiano, malese, filippino e tamil. Sperimentale significa che è possibile un pilota tecnico o con un cliente; non significa qualità pubblica equivalente.

Un metodo di accettazione per ogni processo

Una lingua non si testa con un saluto tradotto e qualche domanda di cortesia. Prima si fissa il contratto completo della chiamata: esito atteso, intenti in perimetro, azioni vietate, sistemi di riferimento, strumenti, coda di operatori, consenso o informativa, orari di servizio, lingua di fallback e terminologia critica. Un flusso di assistenza, uno di qualificazione dei lead e uno di coordinamento sanitario richiedono casi di test diversi anche nella stessa lingua.

Si prepara una scheda lingua con variante locale, modello STT, modello TTS, ID della voce, versione del prompt, versione del dizionario di pronuncia, keyterm, operatore telefonico e codec, percorso di fallback, data del test e responsabili. Si usano esempi con consenso o sintetici che rispecchiano il mercato reale: nomi di clienti, ragioni sociali, indirizzi, nomi di prodotto, sigle, valute locali, date, codici di riferimento e termini che il processo deve catturare con esattezza.

Il set di test si esegue in tre passaggi. Primo, STT e TTS separatamente: la trascrizione conserva i termini, e un ascoltatore madrelingua capisce la risposta generata? Secondo, il livello di ragionamento e strumenti su trascrizioni fisse: GPT-5.6 applica la regola, fa la domanda giusta e sceglie i parametri corretti per lo strumento? Terzo, il ciclo telefonico completo con interruzioni, rumore, silenzi, barge-in, correzioni di chi chiama, ritardi degli strumenti e passaggio a un operatore. Un buon punteggio isolato non salva una chiamata che fallisce da un capo all'altro.

L'Agent Factory dovrebbe trasformare le chiamate riviste in casi di regressione. Una correzione di pronuncia, un cambio di modello, una modifica alla telefonia, un aggiornamento dei keyterm o una modifica al prompt vanno testati sui casi esistenti prima di aumentare il traffico. La configurazione precedente resta disponibile e si registra la decisione del revisore, non solo una percentuale di superamento.

La soglia di lancio misurabile

Le soglie qui sotto sono criteri di rilascio proposti da DRING: non sono garanzie dei provider né punteggi dichiarati da DRING. Si eseguono almeno 120 turni di chiamata scriptati per lingua, con tre parlanti madrelingua per variante locale, 30 termini di business, 30 nomi o identificativi strutturati, 20 scenari con strumenti e casi di interruzione. Per la revisione della voce servono almeno tre ascoltatori madrelingua indipendenti e un quarto arbitro per i disaccordi critici.

• WER e richiamo dei keyterm: obiettivo WER pari o inferiore al 12% sul set telefonico e richiamo dei keyterm pari o superiore al 95% sul vocabolario approvato. Sono strumenti di diagnosi, non la decisione in sé. Il keyterm prompting può migliorare un vocabolario noto mentre la conversazione generale resta debole.
• MOS umano e naturalezza: media di almeno 4,0 su 5, senza alcun panel di variante locale sotto 3,7. Si valutano chiarezza, ritmo, pronuncia, sicurezza, cortesia e se la voce suona davvero come la variante locale promessa.
• Completamento del compito: almeno il 90% delle chiamate scriptate raggiunge l'esito di business previsto senza interventi umani. Consenso, opposizione, sicurezza ed escalation obbligatorie devono essere corretti al 100%.
• Precisione degli strumenti: almeno il 95% di scelta dello strumento e parametri corretti nel complesso, e il 98% di esattezza per i valori visibili al cliente o irreversibili. Una prenotazione sbagliata detta con fluidità, o una scrittura errata nel CRM, è un rilascio fallito.
• Gestione delle interruzioni: in almeno il 90% dei casi di interruzione l'agente riprende il turno giusto senza parlare sopra chi chiama, senza perdere il contesto e senza accettare un'istruzione mai detta.
• Nomi e numeri: almeno il 98% di acquisizione e rilettura esatte per l'insieme critico di numeri di telefono, date, importi, nomi, indirizzi e identificativi. Un WER basso con un solo numero di telefono sbagliato resta inaccettabile.
• Instradamento per lingua: almeno il 98% di scelta corretta della lingua nei casi in cui la lingua è attesa, con un modo esplicito per chi chiama di correggerla e un fallback deterministico verso una persona quando la confidenza è bassa.
• Integrità dell'audio: nel set di chiamate accettato non devono esserci tagli ripetuti, audio perso, regressioni del codec o timeout di turno. Si registra la latenza di risposta p50 e p95 rispetto allo SLA approvato per il processo.

Il rilascio fallisce per qualsiasi divulgazione non autorizzata ripetuta, numero critico sbagliato, falso completamento, azione pericolosa su uno strumento, opposizione ignorata, contesto perso nel passaggio a un operatore o eccezione senza responsabile. Un errore critico non si compensa con una media di chiamate di routine fluide. Una lingua può superare la soglia per un processo ristretto e restare validata su richiesta per le dichiarazioni generali di prodotto.

Cambio di lingua, riconoscimento e dialetti: le cautele

Nelle chiamate di lavoro si passa spesso da una lingua all'altra. Chi chiama in turco può usare il nome inglese di un prodotto. Un cliente olandese può citare una piattaforma globale. Chi parla arabo può usare una sigla tecnica. Va testato il mix reale, invece di dare per scontato che un rilevatore di lingua o un modello multilingue scelga sempre il percorso giusto.

Quando la lingua attesa è nota, si usa un percorso specifico per lingua o un suggerimento di lingua, dove il provider lo documenta. Deepgram documenta suggerimenti di lingua per Flux multilingue e parametri di lingua per i modelli Nova. Quando la lingua è davvero sconosciuta, il riconoscimento può individuare quella prevalente, ma il sistema deve prevedere una conferma e un modo per correggerla. Dopo il riconoscimento, bloccare la lingua scelta può essere più prevedibile che lasciarla oscillare a ogni turno, mentre i processi davvero bilingui possono aver bisogno di più suggerimenti. La decisione va presa nella progettazione della chiamata e nel set di test.

Il keyterm prompting è prezioso per i nomi dei prodotti DRING, i sistemi del cliente, i settori e il lessico del processo. Va mantenuto come glossario controllato, non come elenco di tutte le parole di una lingua. Dizionari di pronuncia e alias sono utili lato TTS, ma non correggono un intento sbagliato, una regola mancante o una mappatura errata degli strumenti. Grafia di origine, forma parlata, significato, alternative vietate e variante locale stanno in un unico record versionato.

Le dichiarazioni sui dialetti richiedono la stessa disciplina. en-GB, en-AU ed en-SG sono percorsi di accettazione, non etichette di lingua decorative. de-DE non vale automaticamente per de-CH. fr-FR non vale automaticamente per fr-CA. es-ES non vale automaticamente per es-419. pt-PT non vale automaticamente per pt-BR. ar-AE non è una promessa per tutti i mercati di lingua araba. Un tag di variante locale deve restringere la promessa alle voci, alla terminologia e alle prove dei revisori che esistono davvero.

Casi d'uso oltre il centralino

La voice AI multilingue si guadagna il posto quando la continuità linguistica toglie lavoro a un'operatività reale. Un agente di assistenza clienti può riconoscere un intento, recuperare lo stato approvato di un ordine o di un conto, rispondere entro le regole e aprire un passaggio a un operatore con la lingua e il contesto originali. Un agente commerciale può qualificare un lead, raccogliere tempi e volumi, gestire un'obiezione e scrivere un brief strutturato, senza costringere il venditore successivo a rifare la chiamata conoscitiva.

Nella prenotazione degli appuntamenti l'agente può chiedere il servizio giusto, cercare le disponibilità approvate, confermare l'orario scelto e passare le eccezioni. Nella logistica può raccogliere il riferimento di una spedizione o di un carico, comunicare l'ultimo checkpoint approvato, aprire un'eccezione e girare i dati corretti al dispatching. Nel coordinamento sanitario può raccogliere il contesto amministrativo e fissare un passo successivo approvato, mandando le domande cliniche, urgenti o delicate alla coda di persone giusta.

I team finance possono usare un agente con limiti precisi per le domande di stato ricorrenti e l'apertura delle pratiche, passando al personale autorizzato le decisioni su identità, frodi, pagamenti e contestazioni. I team HR possono usarlo per screening strutturati o per fissare colloqui, con una griglia di valutazione rivista e un confine chiaro oltre il quale decide una persona. I sondaggi possono raccogliere risposte e classificare i temi, mentre reclami, disagio e questioni urgenti vanno a una persona. WhatsApp, SMS ed email possono portare lo stesso contesto della pratica dopo la chiamata, ma contenuti e regole di consenso di ciascun canale vanno rivisti a parte.

Lo schema comune non è «una voce per tutto». È un unico modello operativo che si esprime in ogni lingua: dati di riferimento, azioni approvate, esiti osservabili e un passaggio a un operatore che conserva ciò che il cliente ha detto. Leggete il benchmark operativo della voice AI per vedere la differenza tra una dichiarazione di capacità generica e una misura operativa sostenuta da prove.

Come formulare la dichiarazione sul sito

Servono due inventari. Il primo è l'inventario tecnico confermato di 62 lingue sulla piattaforma configurata per voce, WhatsApp, SMS ed email. Il secondo è l'inventario raccomandato, più ristretto e con qualità verificata: oggi comprende un piccolo insieme di lingue, ma diventa una dichiarazione di produzione solo per variante locale e per processo, dopo i test.

Una formulazione difendibile per il sito è questa:

DRING dispone di un inventario tecnico confermato di 62 lingue su voce, WhatsApp, SMS ed email. L'insieme che raccomandiamo per il lancio pubblico è più ristretto: inglese con le varianti britannica, australiana e di Singapore, turco, tedesco, francese, olandese, spagnolo, arabo degli Emirati, italiano, portoghese europeo e polacco. Ogni variante locale e ogni processo richiesti vengono validati sul percorso telefonico reale prima della produzione. Le altre lingue, compreso il bulgaro, sono disponibili su richiesta dopo una validazione specifica per il processo.

Non dichiarate una qualità da madrelingua o uguale per tutte le 62 lingue, non lasciate intendere che ogni modello supporti ogni lingua o che un'etichetta di lingua copra ogni dialetto. Non lasciate intendere che GPT-5.6 sia un modello audio. Non pubblicate un WER, un MOS o un tasso di completamento DRING universali, a meno che dataset, denominatore, versioni dei modelli, percorso telefonico e data di revisione non siano pubblici e corretti. Rimandate i lettori al modulo di richiamata per una valutazione della lingua e del processo, invece di promettere una variante locale non testata.

Domande frequenti

Capacità tecnica in 62 lingue significa che tutte e 62 sono pronte per la produzione?

No. È un inventario tecnico su voce, WhatsApp, SMS ed email. La prontezza per la produzione è più ristretta e dipende da variante locale, processo, modelli, voce, terminologia, percorso telefonico, revisione madrelingua e fallback. L'insieme raccomandato per il lancio pubblico comprende poche lingue, e ogni percorso di produzione richiesto viene validato a parte.

Che ruolo ha GPT-5.6 in un agente vocale?

GPT-5.6 può fare da cervello testuale e di ragionamento dopo che il parlato è stato trascritto. Può applicare le regole del processo, produrre testo, scegliere gli strumenti approvati e preparare un esito strutturato. La documentazione attuale di OpenAI indica l'audio come non supportato per GPT-5.6, quindi STT e TTS restano componenti audio separati.

Perché il bulgaro è validato su richiesta?

Il bulgaro è supportato esplicitamente nei cataloghi documentati dei modelli ElevenLabs e Deepgram, quindi la richiesta è credibile. Resta però fuori dai mercati di acquisizione dichiarati e dall'insieme supportato da Flux multilingue, e ha bisogno di test propri su telefonia, terminologia, ascolto madrelingua e processo prima di una dichiarazione pubblica di qualità.

WER e richiamo dei keyterm bastano per scegliere una lingua?

No. Aiutano a diagnosticare il riconoscimento, ma una chiamata in produzione richiede anche naturalezza, accento adatto alla variante locale, completamento del compito, precisione degli strumenti, ripresa dopo le interruzioni, nomi e numeri esatti, instradamento per lingua, integrità dell'audio e un passaggio sicuro a una persona. Un unico punteggio aggregato può nascondere un errore critico.

Un'etichetta di lingua può coprire ogni dialetto?

No. Usate varianti locali come en-GB, en-AU, en-SG, de-DE, fr-FR, es-ES, pt-PT e ar-AE quando sono quelle testate e promesse. Un nuovo dialetto si aggiunge solo dopo che voce, terminologia, panel di chiamate di prova e soglia del processo sono completi.

Fonti tecniche ufficiali

• ElevenLabs: modelli e lingue supportate
• ElevenLabs: riferimento sulle lingue supportate
• ElevenLabs: lingue, voci e comportamento degli accenti
• ElevenLabs: dizionari di pronuncia
• ElevenLabs: impostazioni della voce e formati per la telefonia
• Deepgram: matrice di modelli e lingue
• Deepgram: Flux multilingue e suggerimenti di lingua
• Deepgram: riconoscimento della lingua
• Deepgram: keyterm prompting
• Deepgram: panoramica delle lingue TTS
• OpenAI: modalità del modello GPT-5.6
• OpenAI: guida ad audio e parlato

Cataloghi dei provider e comportamento dei modelli possono cambiare. Prima di estendere una dichiarazione sulle lingue, ricontrollate la documentazione ufficiale linkata, gli ID dei modelli API scelti e il registro dei test DRING effettivo.