Differenze tra pipeline TTS e speech-to-speech per un agente vocale: qualità, controllo, costi e come scegliere per l'assistenza clienti di una PMI.
Se state valutando un agente vocale per la vostra PMI, vi imbattete subito in due sigle: TTS e speech-to-speech. Sembrano dettagli tecnici, ma determinano tempi di risposta, controllo sul contenuto, costi e rischi. In questo articolo vediamo come funzionano le due architetture, dove si comportano meglio e come scegliere in base al vostro caso d'uso, con una checklist finale.
Due architetture, un solo obiettivo
Il traguardo è lo stesso: un cliente parla e riceve una risposta parlata, utile e naturale. Cambia il percorso che la voce compie all'interno del sistema.
- Pipeline TTS (a cascata): la voce del cliente viene trascritta in testo, il testo viene elaborato da un modello linguistico e la risposta scritta viene trasformata in voce da un motore di sintesi (text-to-speech).
- Speech-to-speech: un unico modello riceve l'audio e restituisce direttamente audio, senza passare da un testo intermedio esplicito.
Nessuna delle due è "la migliore" in assoluto. Come spesso accade, la scelta dipende da ciò che per voi conta di più: il controllo sulle risposte oppure la naturalezza della conversazione.
Come funziona la pipeline TTS
Nella pipeline a cascata ogni passaggio è separato e quindi ispezionabile. Questo è il suo grande vantaggio pratico.
- 01Voce del cliente
- 02Trascrizione in testo
- 03Risposta dell'agente (testo)
- 04Sintesi vocale (TTS)
Poiché la risposta esiste come testo prima di diventare voce, potete:
- applicare le stesse istruzioni, gli stessi limiti e le stesse fonti di conoscenza che già usate per l'agente scritto;
- leggere ciò che l'agente ha detto, rivederlo e correggerlo;
- cambiare la voce senza cambiare il "cervello": molti motori di sintesi sono intercambiabili;
- tenere un registro testuale delle conversazioni, più semplice da analizzare.
Il prezzo da pagare è che ogni anello aggiunge un po' di attesa. La somma dei passaggi può rendere la conversazione meno fluida, soprattutto se il cliente interrompe o parla a ritmo serrato. Anche l'intonazione dipende dal motore di sintesi: oggi molte voci sono molto buone, ma non "sentono" il tono emotivo di chi sta parlando, perché al modello arriva solo il testo.
Come funziona lo speech-to-speech
Nello speech-to-speech il modello ascolta e parla direttamente. Non c'è un testo intermedio da gestire, e ciò ha conseguenze concrete:
- Conversazione più naturale: il modello può cogliere pause, esitazioni e tono, e rispondere con un ritmo più vicino a quello umano.
- Gestione delle interruzioni: il cliente può intervenire a metà frase e il sistema può adattarsi con più facilità.
- Meno componenti da orchestrare: il percorso è più corto.
Ma ci sono anche compromessi. Il controllo fine su cosa viene detto è più difficile, perché non avete un testo da filtrare prima che diventi voce. Siete inoltre legati al fornitore del modello: se quel servizio ha un problema, spesso non esiste un'alternativa immediata a cui passare. E il costo per minuto di conversazione può essere diverso da quello di una pipeline a cascata, quindi va stimato con attenzione.
Confronto affiancato
Se dovessimo riassumere in una riga: la pipeline TTS privilegia controllo e flessibilità, lo speech-to-speech privilegia naturalezza e immediatezza.
Che cosa conta di più nell'assistenza clienti
Nel supporto, una voce brillante non basta. Contano soprattutto quattro aspetti.
Correttezza e coerenza
Un cliente che chiede lo stato di un ordine o le condizioni di un reso vuole una risposta esatta, non solo ben pronunciata. Quando l'agente attinge a una base di conoscenza e a regole precise, avere la risposta in forma testuale aiuta a verificarla. Per questo molte PMI partono dalla pipeline TTS.
Tono e gestione della conversazione
Per chi telefona arrabbiato o confuso, un ritmo naturale e la capacità di farsi interrompere fanno la differenza. Qui lo speech-to-speech ha un vantaggio concreto.
Tracciabilità e riservatezza
Con il GDPR come cornice di riferimento, vi conviene sapere che cosa viene registrato, per quanto tempo e dove. Un registro testuale è più facile da consultare e da limitare nel tempo. Definite una politica di conservazione, informate chi chiama e, per i dettagli giuridici, confrontatevi con il vostro consulente o con il responsabile della protezione dei dati.
Continuità del servizio
Se il servizio vocale si interrompe, che cosa succede? Con una pipeline a più fornitori potete, in teoria, sostituire un anello. Con un unico modello end-to-end la domanda va posta fin dall'inizio, e va previsto un piano B, per esempio il passaggio a un operatore o a un canale scritto.
Scegliere in base al caso d'uso
Alcuni scenari tipici per una PMI italiana:
- Studio medico o centro estetico che gestisce prenotazioni: domande ripetitive, orari, disdette. La pipeline TTS è spesso sufficiente e semplifica il controllo delle informazioni.
- Negozio online con molte richieste su spedizioni e resi: servono risposte precise e coerenti con le policy. Pipeline TTS, con una base di conoscenza ben curata.
- Servizio clienti con conversazioni lunghe e delicate: se il tono e le interruzioni contano molto, lo speech-to-speech merita un test.
- Recall e promemoria in uscita: messaggi brevi e prevedibili. La pipeline TTS offre il controllo necessario sul testo, ed è importante rispettare consenso e opt-out.
- Assistenza solo via chat (WhatsApp, Messenger, sito): la voce potrebbe non servirvi affatto, come vediamo nelle domande frequenti.
Una strategia sensata è procedere per gradi: partire con la soluzione più controllabile, misurare i risultati e introdurre lo speech-to-speech dove la qualità della conversazione giustifica la scelta.
Una checklist pratica per decidere
Rispondete a queste domande prima di impegnarvi:
- Qual è il canale reale dei vostri clienti? Telefono, chat sul sito, WhatsApp, Messenger? Se la maggioranza scrive, partite dal testo.
- Quanto è critica l'esattezza delle risposte? Più è alta, più il testo intermedio vi aiuta.
- Quanto conta il ritmo naturale? Se i clienti interrompono spesso, provate lo speech-to-speech.
- Avete bisogno di cambiare voce o fornitore? La pipeline offre più libertà.
- Che cosa succede se il servizio non risponde? Definite un percorso alternativo.
- Come stimate i costi? Calcolate i minuti, non le conversazioni. Un esempio ipotetico: se ricevete 300 telefonate al mese di 3 minuti ciascuna, sono 900 minuti. Moltiplicateli per il costo al minuto del vostro piano.
- Come gestite dati e consenso? Stabilite conservazione, informativa e accessi con il vostro responsabile privacy.
- Avete provato con conversazioni vere? Fate test con le domande reali prima del lancio.
Come procedere con AI SNS CHAT
AI SNS CHAT mette entrambe le strade nello stesso ambiente, nella sezione Voice della barra laterale. Qui trovate Voice agent, Voice Playground, Inbound calls, Outbound calls, Call history e Analytics.
Pipeline TTS
Per la sintesi vocale potete scegliere tra diversi motori: Grok/xAI (il predefinito), OpenAI (gpt-4o-mini-tts), ElevenLabs e la voce del browser. Con ElevenLabs avete a disposizione anche una libreria di voci, la progettazione di una voce e la clonazione. Il testo della risposta resta quindi sotto il vostro controllo, con le istruzioni e le fonti dell'agente.
Speech-to-speech
Il speech-to-speech di Synthia usa l'API OpenAI Realtime. Attenzione: è solo OpenAI e non è previsto un fallback su un altro fornitore. Viene offerto anche Grok voice-to-voice, che per impostazione predefinita risponde soltanto al titolare dell'account. Considerate quindi questa modalità come un'opzione da provare, non come l'unico canale di cui il servizio dipende.
Telefono e chiamate in uscita
Per le chiamate in entrata si collega un numero Twilio a ciascun agente, con auto-test del webhook e riparazione automatica. Le campagne di chiamate in uscita richiedono un numero Twilio e una chiamata di prova, e possono essere fermate durante l'esecuzione. Le campagne in uscita (Outbound Beta) richiedono il piano Standard o superiore. La voce su WhatsApp e i numeri telefonici gestiti sono ancora in lista d'attesa, quindi non contateci per ora. Le impostazioni SIP vengono salvate, ma non risulta un percorso di chiamata che le utilizzi.
Provare prima di pubblicare
Con il Voice Playground potete ascoltare l'agente con le domande reali dei vostri clienti. Dopo il lancio, Call history e Voice analytics vi mostrano come vanno le conversazioni. Il motore vocale supporta 22 lingue, tra cui l'italiano; per alcune delle lingue aggiuntive viene usata come ripiego una voce telefonica inglese.
Costi e dati
Un minuto di voce consuma crediti, con un valore impostato dall'amministratore (nel preventivo Private AI, 1 minuto equivale a 4 crediti). Le risposte in chat, invece, costano 1 credito ciascuna. Per quanto riguarda i dati, le pratiche sono progettate con riferimento a GDPR e APPI, e potete impostare una finestra di conservazione delle conversazioni (per impostazione predefinita, i dati vengono mantenuti senza scadenza). Maggiori dettagli in sicurezza, piani e prezzi e funzionalità.
Domande frequenti
Lo speech-to-speech è sempre meglio del TTS?
No. È più naturale nel ritmo e nelle interruzioni, ma offre meno controllo sul contenuto e più dipendenza da un solo fornitore. Per risposte che devono essere esatte e verificabili, la pipeline TTS è spesso la scelta più prudente.
Posso usare il mio agente di testo anche per la voce?
In linea di massima conviene riutilizzare istruzioni, tono e fonti di conoscenza già collaudati nel testo, perché sono la parte più costosa da costruire. Poi adattate le risposte al parlato, più brevi e senza elenchi lunghi, e verificatele nel Voice Playground prima di attivare il numero.
AI SNS CHAT offre un fallback per lo speech-to-speech?
No. Il speech-to-speech di Synthia usa solo l'API OpenAI Realtime, senza alternative automatiche. Se la continuità è importante, tenete attiva anche la modalità TTS e prevedete il passaggio a un operatore.
Mi serve la voce per l'assistenza su WhatsApp o Messenger?
Probabilmente no. Chi scrive su questi canali si aspetta una risposta scritta, e l'agente di testo copre bene il caso. La voce su WhatsApp è ancora in lista d'attesa, mentre il telefono si attiva con un numero Twilio. Valutate la voce solo se i vostri clienti telefonano davvero.
Come stimo il costo della voce?
Partite dai minuti, non dalle conversazioni. Se ipoteticamente ricevete 300 chiamate al mese di 3 minuti, sono 900 minuti; moltiplicateli per i crediti al minuto stabiliti per il vostro piano. Controllate poi i consumi per agente nella pagina Usage.

