Vai al contenuto
Descrivete un processo. DRING vi chiama in due minuti e qualifica l'esigenza. Vi chiamiamo in due minuti
Vi chiamiamo in 2 minuti Scoprite l'Agent Factory
Ricerca spiegata · Agenti vocali AI

Perché la voce è più dura per l'AI?

Nello studio τ-Voice il miglior modello di testo ha portato a termine l'85% di 278 attività di assistenza clienti, mentre tre modelli vocali ne hanno portate a termine dal 31 al 51% su una linea telefonica pulita e dal 26 al 38% su una realistica.

Stesse attività, molte meno riuscite

Nel test in chat l'agente aveva risposto a ogni domanda. Poi lo stesso agente è passato alla linea telefonica e chi chiamava ha cominciato a chiedere di parlare con una persona.

Uno studio uscito a marzo 2026 ha messo dei numeri su questa differenza. τ-Voice (tau-Voice) ha fatto girare le stesse 278 attività di assistenza clienti in testo e in voce. In testo, il miglior modello di testo dello studio ne ha portate a termine l'85%. Tre modelli vocali, con le stesse attività su una linea telefonica pulita, ne hanno portate a termine dal 31 al 51%. Su una linea realistica, con accenti, rumore di fondo e un cliente che interrompe, dal 26 al 38%. Per gli autori è come mantenere dal 30 al 45% di ciò che il testo sa fare.

Per chi confronta un agente vocale AI con un'AI testuale, le attività sono rimaste le stesse. I modelli no, perché il punteggio in testo viene da un modello di testo e quelli in voce da tre modelli audio diversi.

Cosa ha testato lo studio?

τ-Voice è un benchmark per gli agenti vocali AI, scritto da Soham Ray, Keshav Dhandhania e Victor Barres di Sierra.ai a San Francisco e da Karthik Narasimhan della Princeton University. Sierra costruisce agenti AI per l'assistenza clienti, quindi lo studio nasce dentro il settore che misura. Il paper è un preprint e, alla data di questo post, non era ancora stato sottoposto a revisione paritaria.

Le 278 attività vengono da tre ambiti: retail, compagnie aeree e telecomunicazioni. Ogni attività è un cliente con un obiettivo, per esempio cambiare un articolo o modificare una prenotazione, e un insieme di regole aziendali che l'agente deve rispettare.

Lo studio considera un'attività portata a termine solo quando i dati dell'azienda finiscono nello stato giusto, con l'ordine giusto modificato o la prenotazione giusta aggiornata. Una conversazione piacevole che non cambia nulla, o cambia la cosa sbagliata, conta come fallita. Ogni tasso di successo di questa pagina è misurato così (pass@1 nel paper, cioè riuscita al primo tentativo).

In testo, un modello di testo scriveva con un cliente simulato. In voce, tre modelli vocali ascoltavano e parlavano nello stesso momento su una linea telefonica simulata, con audio di qualità telefonica, e il cliente simulato rispondeva a voce. Ogni modello vocale prende l'audio in ingresso e restituisce audio, tutto in un unico modello. I modelli vocali avevano le stesse istruzioni, compresa la regola di chiedere ai clienti di dettare lettera per lettera nomi, email e ID.

Ogni modello vocale è stato provato in due condizioni. Sulla linea pulita il cliente aveva un chiaro accento americano, senza rumore di fondo e senza interruzioni. Sulla linea realistica i clienti parlavano con accenti diversi, con rumore di fondo al chiuso e all'aperto, suoni improvvisi e audio che saltava o si ovattava, e interrompevano, dicevano «mm-hmm», tossivano o dicevano «aspetta un attimo» a qualcun altro.

Quanto ha perso la voce?

Tasso di successo, testo e voce
AmbitoTestoVoce, linea pulitaVoce, linea realistica
Tutte le 278 attività85%dal 31 al 51%dal 26 al 38%
Retail81%dal 45 al 71%dal 30 al 45%
Compagnie aeree83%dal 28 al 48%dal 30 al 40%
Telecomunicazioni90%dal 20 al 58%dal 18 al 40%

«Testo» è il miglior modello di testo dello studio, GPT-5 con ragionamento. Un secondo modello di testo dello studio, GPT-4.1, che risponde senza ragionare passo passo, ha portato a termine il 54% di tutte le 278 attività. Le colonne della voce riportano il risultato più basso e quello più alto dei tre modelli vocali provati, Google gemini-live-2.5-flash-native-audio, OpenAI gpt-realtime-1.5 e xAI grok-voice-agent. Fonte: τ-Voice, Tabella 6.

Quota delle 278 attività portate a termine in testo e in voce. Ogni riga della voce va dal più basso al più alto dei tre modelli vocali. Fonte: τ-Voice, 2026.

Gran parte del divario si era già aperto sulla linea pulita, prima di aggiungere rumore o accenti. Lì i tre modelli vocali stavano da 34 a 54 punti sotto il miglior modello di testo, e per la maggior parte di loro il passaggio alla linea realistica è costato meno di quanto avessero già perso.

Cosa ha peggiorato le cose?

Sulle attività retail gli autori hanno aggiunto alla linea pulita rumore, accenti e interruzioni uno alla volta, poi tutti e tre insieme.

Quanto è costata ogni difficoltà, attività retail
CondizioneTasso di successoVariazione rispetto alla linea pulita
Pulita55%
Pulita più rumore51%4 punti in meno
Pulita più accenti44%10 punti in meno
Pulita più interruzioni47%7 punti in meno
Realistica (tutti e tre)38%17 punti in meno

Media dei tre modelli vocali, solo attività retail. Percentuali e differenze sono riportate come le arrotonda il paper, quindi una differenza può discostarsi di 1 punto dalla sottrazione. Fonte: τ-Voice, Tabella 7.

Tasso di successo sulle attività retail, media di tre modelli vocali, sulla linea pulita e con l'aggiunta di rumore, accenti, interruzioni o tutti e tre. Fonte: τ-Voice, 2026.

Gli accenti sono costati di più in media, ma in modo molto diverso da un modello all'altro. Un modello vocale ha perso 1 punto con gli accenti e un altro 18. Le interruzioni sono costate 14 punti a un modello e 11 a un altro, mentre il terzo è andato un po' meglio, con 4 punti in più. Il rumore da solo è costato a ogni modello vocale da 2 a 4 punti.

Gli autori hanno valutato anche come i modelli vocali gestivano la conversazione sulla linea realistica. Quello che rispondeva a ogni turno del cliente e cedeva la parola a ogni interruzione (100%) ha ignorato correttamente i «mm-hmm», i colpi di tosse e le parole rivolte ad altri solo il 6% delle volte, quindi rispondeva anche a suoni che non erano per lui. Secondo gli autori, nessun modello vocale dello studio era bravo sia a portare a termine l'attività sia a gestire il botta e risposta della conversazione.

Dove si sono rotte le chiamate?

Gli autori hanno letto a mano 91 conversazioni vocali fallite, divise in due gruppi. Delle 43 conversazioni fallite di attività riuscite in testo ma non in voce pulita, 34 (79%) erano colpa dell'agente e 9 (21%) del cliente simulato. Delle 48 conversazioni fallite di attività riuscite in voce pulita ma non in voce realistica, 43 (90%) erano colpa dell'agente e 5 (10%) del cliente simulato.

Cosa è andato storto in 91 chiamate fallite
Errore dell'agenteFallite in voce pulitaFallite solo in voce realistica
Ragionamento sbagliato o passaggio saltato1316
Ha capito male quello che diceva il cliente1016
Ha detto di aver fatto qualcosa che non aveva fatto66
Ha smesso di rispondere14
Tempo scaduto41
Errori dell'agente, totale34 su 4343 su 48

I nomi che il paper dà alle righe sono logical, transcription, hallucination, VAD/unresponsive e timeout. Fonte: τ-Voice, Tabella 9.

In entrambi i gruppi la verifica dell'identità è stata il punto principale in cui le chiamate si sono rotte. Gli agenti sbagliavano nomi ed email anche quando il cliente li dettava lettera per lettera, come previsto dalle istruzioni. Se il cliente non era identificato, nel resto dell'attività non poteva succedere niente.

Alcuni errori erano più silenziosi. In una conversazione l'agente ha detto al cliente «Ho aggiornato il suo indirizzo di spedizione» senza cambiare nulla nel sistema. Hanno dato problemi anche le richieste in più parti, perché gli agenti ne completavano una e dimenticavano le altre.

Non era solo questione di udito. Nel gruppo realistico i ragionamenti sbagliati e le parole capite male erano ugualmente frequenti, 16 errori su 48 ciascuno, e gli autori ne concludono che il divario tra voce e testo non è soltanto un problema di riconoscimento vocale. Come provare la parte di ascolto sulle vostre chiamate lo spiega il nostro post su come scegliere il riconoscimento vocale.

Cosa non dimostra?

Lo studio è stato condotto solo in inglese. I clienti erano simulati, con voci sintetiche, e gli autori avvertono che i risultati sugli accenti vanno letti come indicativi. Osservano anche che chi chiama davvero ha meno pazienza dei clienti simulati.

Ha misurato se l'attività veniva portata a termine e come si alternavano i turni di parola. Non ha misurato come suonava l'agente, se i clienti erano soddisfatti, né le attività completate solo in parte.

I punteggi in testo e in voce vengono da modelli diversi. Il miglior modello di testo può ragionare quanto gli serve prima di rispondere, mentre un modello vocale deve rispondere in tempo reale, quindi una parte del divario dipende dal modello e non dalla linea telefonica.

I tre modelli vocali sono di un solo tipo, audio in entrata e audio in uscita, nelle versioni uscite tra dicembre 2025 e febbraio 2026. Gli agenti costruiti con parti separate di riconoscimento vocale, ragionamento e sintesi vocale non sono stati provati, quindi questi numeri non dicono nulla su di loro, in un senso o nell'altro, e gli autori li indicano come lavoro futuro. Gli agenti lavoravano inoltre con istruzioni generali e con gli strumenti del benchmark. Un agente costruito e testato per le chiamate di una sola azienda è un'altra impostazione, che lo studio non misura in nessuna delle due direzioni.

DRING non ha condotto questo studio e non è stato provato al suo interno. I modelli cambiano in fretta e i numeri descrivono le versioni che sono state provate.

Da quale test partire?

Fate il test come una telefonata. Nello studio le stesse attività hanno ottenuto risultati più bassi con l'audio di qualità telefonica che in testo, e più bassi ancora dopo l'aggiunta di accenti, rumore e interruzioni. Una chat scritta o il microfono di un portatile saltano entrambe le cose, e chi vi chiama sta nella colonna «Voce, linea realistica».

Cominciate dalla verifica dell'identità, perché nello studio è stato il punto principale in cui si sono rotte le chiamate fallite. Prendete dieci nomi, email e numeri d'ordine del tipo che hanno i vostri clienti, leggeteli a voce come li dettano loro e contate quanti ne coglie giusti l'agente.

Dopo ogni chiamata di prova aprite il sistema e guardate il dato. Se l'agente ha detto di aver cambiato un indirizzo, il nuovo indirizzo deve esserci, ed è proprio ciò che è andato storto nel caso dell'indirizzo di spedizione dello studio.

Poi rendete le chiamate più difficili nei modi che nello studio hanno abbassato il tasso di successo dei modelli vocali. Usate gli accenti che hanno davvero i vostri clienti. Fate interrompere un tester, tossire e dire «aspetta un attimo» a un collega a metà chiamata, e annotate se l'agente risponde alla tosse o alle parole rivolte ad altri. Poi date all'agente una richiesta in tre parti e controllate che tutte e tre siano portate a termine.

Quando un fornitore cita un tasso di successo per il suo agente vocale, chiedete che sia contato come l'ha contato lo studio, da ciò che è cambiato nel sistema, su audio telefonico. Per un piano completo, la nostra guida su come testare un agente vocale AI prima della produzione spiega l'insieme di test e i criteri di rilascio.

Si può citare questa pagina?

Sì. Il paper è pubblicato con licenza Creative Commons Attribuzione 4.0 Internazionale (CC BY 4.0) e potete riusare questa sintesi alle stesse condizioni, citando prima il paper. Lo studio si cita così.

Ray, S., Dhandhania, K., Barres, V., Narasimhan, K. (2026). τ-Voice: Benchmarking Full-Duplex Voice Agents on Real-World Domains. arXiv:2603.13686.

Il codice del benchmark è pubblico su GitHub. Se citate un numero di questa pagina, indicate il paper e aggiungete questa riga.

Sintesi: DRING, dring.ai/it/blog-voice-ai-vs-text-ai

I cinque risultati, scritti perché possiate citarli così come stanno:

  • Su 278 attività di assistenza clienti, il miglior modello di testo ne ha portate a termine l'85%, mentre i tre modelli vocali ne hanno portate a termine dal 31 al 51% su una linea pulita (τ-Voice, 2026).
  • Su una linea realistica, con accenti, rumore e interruzioni, i tre modelli vocali hanno portato a termine dal 26 al 38% delle attività, che per gli autori significa mantenere dal 30 al 45% di ciò che il testo sa fare (τ-Voice, 2026).
  • Sulle attività retail dello studio, gli accenti sono costati ai tre modelli vocali in media 10 punti di tasso di successo, le interruzioni 7 e il rumore di fondo 4 (τ-Voice, 2026).
  • In 91 chiamate vocali fallite che gli autori hanno letto a mano, il 79% e il 90% dei fallimenti nei due gruppi erano errori dell'agente stesso, e la verifica dell'identità è stata il punto principale in cui le chiamate si sono rotte, con nomi ed email capiti male anche se dettati lettera per lettera (τ-Voice, 2026).
  • Nessun modello vocale dello studio era bravo sia a portare a termine l'attività sia a gestire la conversazione, e quello che rispondeva al 100% dei turni del cliente ha ignorato correttamente la tosse e le parole rivolte ad altri solo il 6% delle volte (τ-Voice, 2026).

Dove entra DRING?

Lo studio ha misurato modelli vocali generici che lavorano seguendo un insieme di regole. Un agente DRING è costruito con parti separate, con modelli scelti di riconoscimento vocale, sintesi vocale e ragionamento, e con test e monitoraggio nella base condivisa su cui gira. Un agente di questo tipo non era nello studio.

Ogni agente DRING affronta da 1.000 a 10.000 conversazioni simulate, costruite per la vostra azienda, prima della prima chiamata reale. Nascono dal vostro processo, dai vostri documenti e dalle registrazioni delle vostre chiamate, e un agente va in produzione solo dopo aver superato quel set, come descrive la nostra pagina sulla qualità. I test della sezione «Da quale test partire?» sono quelli da chiedere a qualsiasi fornitore, DRING compreso.

Leggete anche: AI vocale o IVR: quale scegliere? · Cos'è un agente vocale AI? Come lo gestisce DRING

Partite dalla chiamata più difficile

Lasciate il vostro numero e DRING vi chiama in due minuti. Indicate la chiamata che il vostro team teme di più.