Scegliere una voce per l’agente vocale del tuo brand non è come scegliere un font. Un font sta su una pagina e aspetta di essere letto. Una voce parla con i tuoi clienti, gestisce i loro problemi e rappresenta la tua azienda in tempo reale — spesso quando il cliente è frustrato, di fretta o chiama da una strada rumorosa.
La maggior parte dei team sceglie una voce ascoltando qualche demo e prendendo quella che «suona professionale». Questo approccio funziona finché la voce non storpi il nome dell’azienda durante una chiamata vera, o non suona allegra mentre comunica a un cliente che la sua richiesta è stata respinta. Questa guida spiega come scegliere una voce che si adatta davvero al tuo brand, al tuo caso d’uso e alle condizioni in cui si trova chi ti chiama.
Parti dal caso d’uso, non dal catalogo delle voci
L’errore più comune è sfogliare una libreria di voci prima di aver definito che cosa deve fare la voce. Una voce che funziona per un’app di meditazione fallirà in una chiamata di recupero crediti. Una voce che suona autorevole in una demo in sala riunioni può risultare robotica su una linea telefonica a 8 kHz.
Prima di ascoltare anche una sola voce, rispondi a queste domande:
- Che cosa sta cercando di ottenere chi chiama? Chi chiama per controllare lo stato di un ordine vuole efficienza. Chi contesta un addebito vuole empatia. La voce deve corrispondere al registro emotivo dell’interazione, non al tono marketing generale del brand.
- Dove si trova chi chiama? Le chiamate da auto, uffici e cucine hanno rumore di fondo. La voce deve essere intelligibile a 8 kHz su PSTN, non solo in una registrazione in studio.
- Che cosa succede quando le cose vanno male? La voce deve gestire scuse, correzioni ed escalation senza risultare fuori luogo. Una voce che sa essere solo allegra è un problema quando la conversazione si fa seria.
Le tre caratteristiche che contano
1. Intelligibilità
Chi chiama capisce che cosa dice la voce? Sembra ovvio, ma l’intelligibilità si rompe in punti specifici e prevedibili:
- Numeri e codici. «Il tuo codice di conferma è 8-4-2-1-J» deve essere inequivocabile. Alcune voci confondono le cifre tra loro o leggono «$1,200» come «twelve hundred dollars» quando chi chiama si aspetta «one thousand two hundred».
- Nomi e termini di settore. Se il tuo prodotto si chiama «Sonic» e la voce dice «Sah-nik», è un problema. Prova con i nomi veri dei tuoi prodotti, dei clienti e con il vocabolario del tuo settore.
- Parlato con accento. Se tra chi ti chiama ci sono parlanti non madrelingua inglese o accenti regionali, la voce deve essere intelligibile per loro — e il tuo modello speech-to-text deve capire loro. Sono problemi collegati, ma distinti.
Sonic legge correttamente da solo le forme scritte convenzionali: prezzi, date, numeri di telefono e indirizzi. Per i nomi di prodotto o i termini che il modello pronuncia male, un dizionario di pronuncia risolve il problema una volta sola, invece di richiedere prompt engineering a ogni chiamata.
2. Registro emotivo
Ogni voce ha un registro emotivo predefinito — un tono di base che colora tutto ciò che dice. Alcune voci suonano calde e rassicuranti. Altre suonano asciutte ed efficienti. Nessuna delle due è sbagliata; la domanda è se il registro corrisponde all’interazione.
Alcuni esempi dalla nostra libreria di voci:
| Caso d’uso | Registro | Perché |
|---|---|---|
| Assistenza clienti | Calmo, misurato | Chi chiama è spesso frustrato. Una voce calma disinnesca. |
| Vendite outbound | Caldo, energico | Chi risponde non ha chiesto questa chiamata. L’energia lo tiene in linea. |
| Recupero crediti / compliance | Chiaro, fermo | Le informative legali richiedono autorevolezza. Il calore indebolisce il messaggio. |
| Prenotazioni sanitarie | Stabile, rassicurante | Chi chiama può essere ansioso. La voce deve ridurre lo stress, non aumentarlo. |
Il modello Sonic di Cartesia va oltre la maggior parte dei sistemi TTS: adatta la propria espressività emotiva in base al testo che legge. Se l’LLM genera una risposta empatica, Sonic suona empatico. Se il testo è un rifiuto fermo, Sonic suona fermo. Questo significa che il design della voce è legato alla generazione dell’LLM — la voce segue il contenuto, non una configurazione statica.
3. Latenza
Una voce che impiega due secondi a iniziare a parlare dopo che chi chiama ha finito il suo turno sembra rotta, per quanto possa suonare bene. In conversazione, le persone si aspettano una risposta entro circa 200 millisecondi. Oltre il secondo, chi chiama inizia a ripetersi o a parlare sopra l’agente.
La latenza è una proprietà del modello TTS, non della voce in sé. Ma vincola le voci che puoi usare. Una voce che richiede un’elaborazione pesante per suonare naturale può non funzionare in un agente vocale in tempo reale, anche se in demo suona perfetta.
Voci di catalogo vs voci clonate
La maggior parte dei brand dovrebbe partire da una voce di catalogo (stock voice). Le voci di catalogo sono pronte, testate e disponibili subito. La libreria di voci di Cartesia include voci pensate per casi d’uso specifici — assistenza clienti, vendite, prenotazioni e altro.
La clonazione vocale ha senso in due situazioni:
- Continuità del brand. Se la tua azienda ha già una voce riconosciuta — un portavoce, un conduttore di podcast, un CEO che presenta i risultati trimestrali — clonare quella voce mantiene la coerenza tra i canali.
- Differenziazione. Se tutti i concorrenti del tuo settore usano le stesse tre voci di catalogo, una voce clonata ti distingue.
Cartesia offre due opzioni di clonazione: la clonazione vocale istantanea a partire da 5 secondi di audio e la clonazione vocale professionale a partire da oltre 30 minuti per una fedeltà superiore. La clonazione istantanea è veloce e funziona bene per i prototipi. La clonazione professionale cattura più sfumature ed è più adatta alla produzione.
Un framework per scegliere
Ecco il processo che consigliamo:
Passo 1: definisci il caso d’uso. Scrivi i tre compiti principali che l’agente vocale gestisce. Per ciascuno annota il registro emotivo, il vocabolario che deve gestire e le conseguenze di un malinteso.
Passo 2: fai una shortlist di voci. Scegli dalla libreria tre-cinque voci che corrispondono al registro che ti serve. Non pensarci troppo a questo punto — restringerai il campo con i test.
Passo 3: prova con copioni reali. Scrivi le dieci cose più comuni che l’agente dirà, comprese quelle difficili: scuse, rifiuti, conferme piene di numeri e nomi di prodotti. Genera l’audio per ogni voce e ascoltale una dopo l’altra.
Passo 4: prova nel contesto. Se l’agente sarà al telefono, ascolta l’audio da un altoparlante del telefono, non da cuffie da studio. Se chi chiama sarà in ambienti rumorosi, aggiungi rumore di fondo. La voce che suona meglio in una stanza silenziosa non è detto che sia quella che suona meglio in auto.
Passo 5: pilota con chiamate reali. Fai girare la voce in produzione per una settimana. Ascolta le registrazioni. Presta attenzione ai momenti in cui chi chiama chiede all’agente di ripetere — sono errori di intelligibilità. Presta attenzione ai momenti in cui cambia il tono di chi chiama — sono disallineamenti di registro.
Errori comuni
- Scegliere una voce che assomiglia al fondatore. I gusti del fondatore non sono l’esperienza del cliente. Prova con chiamate reali.
- Usare la stessa voce per ogni caso d’uso. Un’azienda con una linea di assistenza e una di vendita può aver bisogno di voci diverse per ciascuna. Il brand è l’azienda, non la voce.
- Ignorare il lato STT. La voce con cui parla l’agente è solo metà dell’equazione. Se il modello speech-to-text non capisce l’accento di chi chiama, la voce migliore del mondo non salverà la conversazione. Ink, il nostro modello STT in streaming, gestisce il parlato con accento e gli ambienti rumorosi — ma provalo con le persone che ti chiamano davvero.
- Ottimizzare per la demo. Una voce che impressiona in una demo commerciale può non reggere una chiamata di assistenza di dieci minuti. L’ascolto prolungato rivela artefatti e tic che le clip brevi nascondono.