Agenti Vocali al Telefono nel 2026: Quale Stack Scegliere tra Vapi, OpenAI Realtime, Retell e LiveKit

Nel 2026, creare un agente vocale AI che risponda (o effettui) chiamate telefoniche è diventato accessibile a chiunque. Il problema non è più se si può fare — è quale stack scegliere senza bruciare budget o sacrificare la qualità percepita dall'utente finale.

Ho analizzato le principali piattaforme disponibili oggi con dati di produzione verificati. Questa è una guida pratica per chi vuole arrivare in produzione con un agente vocale telefonico nel 2026.

La metrica che conta davvero: la latenza

Prima di parlare di piattaforme, bisogna capire un dato fondamentale emerso dai benchmark di produzione 2025–2026 (fonte: Hamming AI, Trillet, Telnyx):

• <500ms → sembra naturale, conversazione fluida
• 500–1000ms → accettabile ma percepito come lento
• >1000ms → "sembra rotto" — percepito come malfunzionamento
• >1500ms → l'utente riattacca

La cruda verità dai dati reali: la mediana di settore su milioni di chiamate in produzione è 1.4–1.7 secondi (fonte: Famulor AI KPIs Report 2026, AInora Voice Statistics). I 300ms che leggi nei benchmark dei vendor si ottengono solo con streaming su ogni stage, regioni co-locate e infrastruttura dedicata. Non è la configurazione di default di nessuna piattaforma.

Le 5 strade per un agente vocale telefonico

1. Vapi — Il più comodo, ma attenzione ai costi reali

Vapi è la scelta di default per chi inizia. Gestisce l'intera orchestrazione: STT (speech-to-text), LLM, TTS (text-to-speech) e telefonia tramite Twilio. L'integrazione richiede poche ore.

Latenza reale verificata: 700–1500ms end-to-end (fonte: benchmark Trillet.ai, aprile 2026). Il costo dell'orchestrazione multi-hop è circa 500ms fissi non eliminabili, perché Vapi passa l'audio attraverso più layer cloud prima di rispondere.

Costo reale in produzione (fonte: pxlpeak.com, zeeg.me, cekura.ai — verificato su più fonti indipendenti):

• Prezzo pubblicato: $0.05/min (solo orchestrazione piattaforma)
• Costo reale all-in: $0.15–0.40/min aggiungendo STT + LLM + TTS + telefonia
• Media pratica in produzione: $0.20–0.33/min

Quando usarlo: prototipi, proof-of-concept, volumi sotto i 5.000 minuti/mese, quando hai bisogno di arrivare live in pochi giorni.

Quando evitarlo: se la latenza è critica, o se stai scalando sopra i 10.000 minuti/mese.

2. Retell AI — Il bilanciamento migliore oggi

Retell è un ibrido: ha la sua infrastruttura voice ottimizzata ma permette flessibilità sui modelli. Supporta barge-in nativo (l'utente può interrompere l'agente durante la risposta), che rende la conversazione molto più naturale.

Latenza reale verificata: 600–800ms in produzione (fonte: Retell AI docs ufficiali, benchmark indipendenti Trillet.ai 2026). In calo rispetto ai 1200ms del 2024 grazie all'ottimizzazione del motore di orchestrazione proprietario.

Costo reale in produzione:

• Base: $0.07/min — include STT, numeri verificati, chiamate batch
• Produzione standard: $0.11–0.15/min
• Con LLM avanzati + ElevenLabs Flash: $0.20–0.25/min

Quando usarlo: casi d'uso enterprise, IVR complessi, volumi medi 5k–50k min/mese. Ha un layer di QA automatica delle chiamate integrato (analisi e scoring automatico delle conversazioni).

3. OpenAI Realtime API + Twilio — Lo stack da senior

Questo è lo shift architetturale più rilevante degli ultimi 18 mesi. OpenAI Realtime API elimina la catena STT→LLM→TTS sostituendola con un unico modello speech-to-speech: l'audio entra grezzo e l'audio risponde direttamente, senza attendere la finalizzazione della trascrizione.

L'integrazione con Twilio avviene in due modi:

1. Twilio Media Streams + WebSocket → il tuo server fa da proxy tra Twilio e OpenAI Realtime (Node.js o Python)
2. Twilio SIP Trunking + OpenAI SIP Connector → integrazione diretta, più semplice da mantenere

Latenza teorica: la più bassa possibile — nessun attesa per la trascrizione, nessuna startup del TTS. In pratica 300–500ms con infrastruttura co-locate.

Costo reale in produzione (fonte: forasoft.com, maggio 2026):

• gpt-realtime: ~$0.30/min per un exchange audio tipico da 1 minuto
• Con prompt caching: riduzione del 30–40% sulle parti statiche del system prompt
• Twilio telefonia: ~$0.013/min
• Totale: $0.30–0.35/min — il più costoso, ma qualità conversazionale superiore

Quando usarlo: quando la qualità conversazionale è il differenziatore principale del prodotto, volumi sopra i 10k min/mese, o quando hai già un team tecnico in grado di gestire l'infrastruttura.

4. ElevenLabs Conversational AI — Il benchmark per le voci

ElevenLabs ha costruito una piattaforma conversazionale completa che va oltre il TTS. Flash v2.5 raggiunge 75ms di latenza sul solo TTS, con 11.000+ voci in 70+ lingue incluso l'italiano tramite Multilingual v2.

Latenza end-to-end: sub-100ms solo per TTS, ma il totale dipende dall'LLM integrato. Per telefonia si abbina tipicamente a Retell o a infrastruttura custom.

Costo: da $0.12/min sui piani conversazionali. Supporta voice cloning per brand identity. Partnership IBM watsonx per enterprise.

Quando usarlo: quando la qualità della voce è il differenziatore principale, spesso come layer TTS sopra Retell o stack custom.

5. LiveKit + Stack Custom — Il più scalabile

LiveKit è un framework open source per agenti vocali real-time. Non è una piattaforma chiusa: scegli ogni componente e puoi self-hostare tutto.

Stack produzione tipico 2026 (fonte: forasoft.com LiveKit guide):

• LiveKit Cloud (o self-hosted) per orchestrazione WebRTC
• Deepgram Nova-3 o Whisper large-v3 per STT (~$0.007/min)
• GPT-4.1-mini o Claude Haiku per LLM (~$0.02–0.05/min)
• ElevenLabs Flash v2.5 o Cartesia per TTS (~$0.02–0.04/min)
• Telnyx o Twilio per telefonia (~$0.01/min)
• Totale stack: ~$0.08–0.12/min

Latenza reale: sotto i 300ms raggiungibile con regioni co-locate e streaming su ogni stage. Spostare da piattaforme managed a self-hosted rimuove ~180–200ms fissi di latenza di rete (fonte: dograh.com TCO analysis).

Quando usarlo: volumi sopra i 100k min/mese, controllo totale su compliance e dati, o quando si costruisce un prodotto voice AI che deve scalare senza dipendere da pricing di terzi.

Tabella comparativa

*Solo TTS, latenza end-to-end dipende dall'LLM integrato

Costruire in italiano: il problema che nessuno ti dice

Costruire un agente vocale in inglese è molto più semplice che in italiano. Non si tratta di supporto tecnico mancante — tutte le piattaforme supportano formalmente l'italiano — ma di una differenza sistematica in tre livelli della pipeline che impatta direttamente qualità percepita e costi.

1. STT: il riconoscimento vocale soffre in italiano

I modelli STT sono addestrati prevalentemente su dati audio in inglese americano. L'italiano introduce tre problemi concreti:

• Accenti regionali: un parlante napoletano, milanese o siciliano può abbassare l'accuracy del 15–30% rispetto all'italiano standard. I modelli non sono addestrati su varietà dialettali italiane in modo sistematico.
• Termini specifici e nomi propri: aziende, prodotti, luoghi italiani vengono spesso travisati dai modelli ottimizzati per l'inglese (es. "Confcommercio" trascritto come sequenze inglesi senza senso).
• Velocità e prosodia: l'italiano parlato ha pattern prosodici diversi dall'inglese, con elisioni e raddoppiamenti che confondono i VAD (Voice Activity Detection) dei provider.

Raccomandazione STT per italiano:

• Whisper large-v3 (OpenAI) — addestrato su 680.000 ore in 100+ lingue, non ottimizzato solo inglese. Migliore accuracy sull'italiano tra le opzioni mainstream, ma latenza più alta (~300–500ms).
• Soniox — alternativa specializzata per italiano con sub-200ms di latenza STT, costruita nativamente su 60+ lingue senza bias verso l'inglese. Meno conosciuta ma tecnicamente valida per produzione.
• Deepgram Nova-3 — eccellente in inglese, supporto italiano presente ma meno dati di training. Usalo se già sei su Vapi/Retell e vuoi velocità, ma aspettati più errori su accenti forti.

2. LLM: l'italiano costa di più e ragiona peggio

GPT-4o, Claude e i principali LLM gestiscono l'italiano. Ma ci sono due svantaggi strutturali rispetto all'inglese:

• Tokenizzazione inefficiente: l'italiano usa mediamente il 20–30% di token in più rispetto all'inglese per lo stesso contenuto. Ogni turno conversazionale costa di più. Su una pipeline a $0.20/min, questa differenza è rilevante a scala.
• Qualità del reasoning: i dataset di training dei modelli sono fortemente sbilanciati verso l'inglese. Il ragionamento complesso (gestione di eccezioni, escalation logica, comprensione contestuale ambigua) è statisticamente meno preciso in italiano, specie per LLM più piccoli come GPT-4.1-mini o Haiku.

Raccomandazione LLM per italiano: Non usare modelli "lite" per il ragionamento complesso in italiano. Testa sempre con GPT-4.1, Claude Sonnet o equivalenti full-size prima di scendere a modelli compressi per risparmiare.

3. TTS: le voci italiane sono ancora un livello sotto

ElevenLabs Multilingual v2 è attualmente il benchmark per TTS in italiano: naturalezza, prosodia, gestione dell'intonazione sono accettabili per produzione. Ma confrontato con le voci inglesi dello stesso modello, la differenza è ancora percepibile.

Cartesia, Deepgram TTS e altri provider di secondo livello hanno supporto italiano limitato o con voci che suonano artificiali su frasi lunghe. Se la qualità della voce è critica per il tuo brand, ElevenLabs Multilingual v2 è l'unica scelta oggi.

Stack consigliato per agenti vocali in italiano

La regola dei volumi

Da tutti i dati di produzione 2026 emerge una regola pratica chiara:

• Sotto i 5.000 min/mese → Vapi o Retell. Ship veloce, zero infrastruttura. Il delta di costo è irrilevante.
• 5.000–50.000 min/mese → Retell come orchestratore, ElevenLabs Multilingual v2 per le voci se il brand richiede qualità premium in italiano.
• 50.000–100.000 min/mese → OpenAI Realtime + Twilio. Il costo è più alto ma il churn ridotto (meno utenti che riattaccano) giustifica l'investimento in qualità.
• Oltre 100.000 min/mese → LiveKit self-hosted. Break-even rispetto alle piattaforme managed in 6–9 mesi.

Ridurre la latenza su Vapi (e stack orchestrati)

Se stai usando Vapi e vuoi migliorare la latenza senza cambiare stack:

1. Usa GPT-4.1-mini o Claude Haiku invece dei modelli full. La differenza è 200–400ms su ogni turno per use case semplici.
2. Abilita lo streaming — il TTS deve iniziare a sintetizzare i primi token senza aspettare la risposta completa dell'LLM.
3. Riduci il system prompt — ogni 100 token in meno ≈ 50–80ms risparmiati. Sii chirurgico nelle istruzioni.
4. Allinea le region — configura Vapi per usare la stessa region AWS/GCP del tuo LLM provider.
5. Deepgram per lo STT — anche su italiano, la velocità di Deepgram (latenza STT ~100ms) compensa parzialmente la minor accuracy rispetto a Whisper.

Se hai bisogno per la tua azienda contattaci.

Conclusione

Non esiste la piattaforma perfetta — esiste lo stack giusto per il tuo stadio, il tuo volume e la tua lingua target. La latenza determina se il tuo agente viene percepito come utile o frustrante. Il costo è secondario finché non scali.

Se costruisci in italiano, metti in conto un 20–30% di complessità extra rispetto all'inglese su ogni layer della pipeline. Non è un ostacolo, ma richiede scelte più consapevoli su STT e LLM. Il mercato italiano è meno saturo: arrivare con un agente che funziona bene in italiano oggi è un vantaggio competitivo reale.