“IA vocale” è diventato un termine ombrello per quattro attività diverse: fornitori di modelli vocali, piattaforme che assemblano quei modelli in agenti, servizi vocali cloud e progetti open source. Questa guida descrive i protagonisti a fine 2026, per aiutarti a selezionare le due o tre opzioni adatte anziché provare una dozzina di demo.
Sviluppiamo una delle aziende di questo elenco e lo dichiariamo nell’articolo. Quando un’affermazione conta, rimanda a una classifica o a una pagina prodotto verificabile.
Fornitori di modelli vocali
Queste aziende addestrano i propri modelli vocali e li vendono tramite API. Se integri la voce in un prodotto, questo è il livello che acquisti.
Cartesia, cioè noi, sviluppa modelli vocali in tempo reale basati sull’architettura State Space Model, la direzione di ricerca avviata dal nostro team fondatore allo Stanford AI Lab. Sonic è il nostro modello TTS: trasmette l’audio mentre lo genera, con latenza del modello inferiore a 90 ms, oltre 40 lingue e il primo posto nei test di ascolto ciechi di VoiceArena e Artificial Analysis. Ink è il nostro modello di trascrizione in streaming con rilevamento dei turni integrato e Managed Agents è uno strumento per creare agenti vocali di produzione. Decagon, ServiceNow, Quora, Retell ed EliseAI usano la piattaforma; consulta clienti e prezzi.
ElevenLabs è il marchio rivolto ai consumatori più grande del settore, con catalogo vocale, clonazione, doppiaggio e uno studio per creatori. Anche la sua homepage ora dà rilievo agli agenti vocali. Il suo punto di forza è la produzione creativa; per carichi di agenti in tempo reale, confronta direttamente il tempo al primo audio. Il nostro confronto con ElevenLabs descrive le differenze tra le piattaforme.
Deepgram vende API STT e TTS con orientamento enterprise. La sua reputazione nasce dalla trascrizione rapida su larga scala; valuta il TTS separatamente dall’STT.
PlayHT offre API TTS da anni. Il sito non si caricava durante il nostro controllo del 24 settembre 2026, quindi conferma che il servizio sia operativo e supportato prima di usarlo come base.
Speechify è noto soprattutto come assistente di lettura per ascoltare documenti; l’azienda dichiara oltre 60 milioni di utenti. Studio e API sono prodotti separati dall’app di lettura.
Murf AI e WellSaid Labs puntano entrambi alla produzione di voiceover. Murf offre un editor dal copione al voiceover e ora propone anche agenti conversazionali; WellSaid si concentra sui flussi di narrazione aziendale.
Piattaforme di agenti vocali
Queste aziende, per la maggior parte, non addestrano modelli vocali. Orchestrano riconoscimento vocale, modelli linguistici e sintesi vocale in agenti telefonici o applicativi e vendono l’infrastruttura di collegamento: telefonia, orchestrazione e osservabilità.
Vapi è una piattaforma per sviluppatori che compone agenti vocali da componenti indipendenti dal fornitore. Retell AI crea agenti vocali di produzione e usa le voci Cartesia nel suo stack. Bland AI si concentra sugli agenti che effettuano e gestiscono telefonate su larga scala. LiveKit vende l’infrastruttura audio e video in tempo reale, i collegamenti WebRTC su cui si basano molti prodotti vocali.
Se vuoi un agente senza assemblare tu la pipeline, parti da qui. Se vuoi controllare i modelli stessi, acquistali dai fornitori sopra e costruisci i collegamenti.
Servizi vocali cloud
Google Cloud, con Speech-to-Text e Text-to-Speech, Microsoft Azure AI Speech e Amazon Polly sono i servizi vocali consolidati. Hanno la distribuzione più ampia, strumenti estesi per la conformità e una lunga esperienza. Qualità vocale e latenza conversazionale sono gli ambiti in cui le startup li stanno superando. Se l’organizzazione usa già un cloud, rappresentano il percorso con meno ostacoli.
OpenAI distribuisce la voce tramite le proprie API, inclusa una Realtime API per sessioni speech-to-speech, e i suoi modelli alimentano la modalità vocale di ChatGPT.
Open source
Fish Audio pubblica modelli vocali a pesi aperti, Fish Speech, insieme a una piattaforma ospitata. Whisper resta il modello aperto di riferimento per la trascrizione vocale, mentre progetti come Piper e F5-TTS coprono il TTS autogestito. L’open source offre controllo e località dei dati in cambio della gestione diretta dell’infrastruttura; latenza e qualità vocale variano molto con la configurazione.
Come scegliere
Abbina prima il fornitore all’attività, poi guarda la classifica. Un agente in tempo reale richiede endpoint di streaming e basso tempo al primo audio. Provalo con il tuo copione, il tuo percorso di rete e la tua regione di distribuzione. La narrazione registrata ha più bisogno di un flusso di editing e di diritti commerciali che di 90 millisecondi.
Poi prova sul serio: stessi copioni nei due sistemi, inclusi numeri di conto, abbreviazioni e risposte interrotte. La nostra guida agli agenti vocali copre i criteri di valutazione per questi carichi; il nostro centro confronti presenta confronti diretti con i concorrenti citati.
Se vuoi sentire il TTS al primo posto prima di leggere un altro confronto, il generatore di voci esegue Sonic nel browser, senza registrazione.