Presentiamo Ink-2:Il modello STT numero 1 per agenti vocali

Presentiamo Ink-2, un modello di trascrizione vocale costruito per agenti vocali in tempo reale.

A giugno 2026 è primo nella classifica streaming di Artificial Analysis per il tasso di errore sulle parole più basso. Ha il rilevamento dei turni integrato più accurato tra i fornitori, così il modello sa quando ascoltare e quando rispondere.

Per gli agenti vocali, la trascrizione deve riuscire in tre aspetti: accuratezza, rilevamento dei turni e latenza. Se uno non funziona, l’esperienza si rompe. L’agente può fraintendere l’utente, interrompere al momento sbagliato, rispondere troppo lentamente o rendere la conversazione innaturale. Ink-2 è stato costruito per eccellere in tutti e tre.

Accuratezza: capire ogni parola

Abbiamo lavorato molto sul riconoscimento di entità strutturate come numeri di telefono, indirizzi email, sequenze alfanumeriche e date. Ink-2 capisce quando un’entità è ancora incompleta e aspetta l’intera sequenza prima di confermarla, senza prompting speciale.

Abbiamo costruito Ink-2 per gestire diversi accenti, come quelli delle chiamate reali con agenti vocali. Su AppTek, un benchmark con 14 accenti inglesi in dialoghi reali di call center, Ink-2 è il migliore fornitore STT in streaming con WER dell’8%, contro il 10% di Deepgram Flux e il 12% di ElevenLabs Scribe v2.

L’accuratezza si mantiene anche in produzione, non solo su audio di riferimento pulito. Il nostro benchmark interno usa audio preso direttamente da chiamate reali con agenti vocali, con parlanti non madrelingua inglesi, rumore di fondo e audio degradato da condizioni di rete scarse. Ink-2 raggiunge una WER del 6.5%, contro il 9.2% di ElevenLabs Scribe v2 e il 9.4% di Deepgram Flux.

Entità strutturate e audio reale di produzione mettono davvero alla prova l’accuratezza di un agente vocale dal vivo, oltre ai benchmark puliti. Le dimostrazioni mantengono registrazioni e trascrizioni nella lingua originale.

Rilevamento dei turni: sapere quando ascoltare e rispondere

L’accuratezza emerge chiaramente nei benchmark, ma è nel rilevamento dei turni che la maggior parte degli agenti vocali fallisce in produzione.

La maggior parte decide che un turno è finito in base al silenzio. Se la pausa è abbastanza lunga, il turno si chiude bruscamente. Funziona nei test, ma in una chiamata reale può interrompere il cliente a metà indirizzo o intervenire subito dopo “e la mia email è…”.

Abbiamo creato Ink-2 con rilevamento semantico del fine turno integrato. Il modello interpreta il significato, non il silenzio, per decidere quando il turno termina. Sa quando un indirizzo è ancora incompleto o un pensiero in sospeso non è un punto di arresto. Il turno rimane aperto finché il modello è sicuro che il parlante abbia finito.

Ink-2 emette nativamente tre eventi, senza bisogno di VAD esterna:

• turn.start: l’utente ha iniziato a parlare.
• turn.eager_end: il modello prevede che il turno stia finendo; l’LLM può iniziare a generare in anticipo.
• turn.end: il turno è confermato come concluso.

Misuriamo il rilevamento dei turni rispetto a un riferimento annotato da persone. La precisione indica quanto spesso il modello ha ragione quando dichiara finito un turno; una bassa precisione significa interrompere le persone. Il richiamo indica quanto spesso riconosce ogni vera fine turno; un basso richiamo crea silenzi imbarazzanti mentre il modello continua ad ascoltare. F1 bilancia le due metriche in un solo punteggio.

Ink-2 mantiene alte sia precisione sia richiamo, mentre le alternative sacrificano l’una per l’altro.

Latenza: mantenere il flusso della conversazione

Come la latenza TTS, quella di trascrizione influisce direttamente sulla naturalezza della conversazione. La metrica che ci interessa è il tempo fino alla trascrizione finale, TTFT: quanto serve per ottenere il testo finale dal momento in cui l’utente finisce di parlare. Determina se l’agente sembra attento o in attesa di caricamento.

Ink-2 è molto veloce, con un TTFT di 0.1s. E poiché turn.eager_end permette all’LLM di iniziare prima della conferma completa del turno, l’agente risponde abbastanza rapidamente da sembrare davvero presente nella conversazione.

Unisciti ai team che usano Ink-2

Ink-2 è disponibile su play.cartesia.ai, direttamente tramite API e sulle piattaforme usate dai team vocali, tra cui LiveKit, Vapi e Pipecat.

Continueremo a costruire insieme ai team che fanno progredire l’IA vocale e usano Ink-2 in produzione. Abbiamo già pubblicato un modello inglese di alto livello e il supporto multilingue è in arrivo, perché Ink-2 si adatti al modo in cui parlano i tuoi utenti, ovunque siano.

Prova Ink-2