ElevenLabs o Azure Speech: il prezzo non basta per l’italiano

Per un agente vocale in italiano, ElevenLabs è una scelta da considerare quando pause ed espressività pesano nella conversazione; Azure Speech può essere più adatto quando prevalgono regolarità e controllo della spesa. In un resoconto di chiamate in italiano, l’autore giudica ElevenLabs più naturale e Azure Neural TTS più stabile e conveniente nel proprio impiego. È un’esperienza dichiarata dall’autore, senza registrazioni abbinate né una metodologia pubblica che permetta di estendere il risultato a ogni voce e configurazione.

La scelta dipende quindi dalla chiamata che l’agente deve gestire. Una voce piacevole in una demo può perdere chiarezza su cognomi e numeri attraverso la linea telefonica; una sintesi rapida può introdurre pause quando riceve il testo a frammenti. Qualità percepita, tempo fino alla prima risposta udibile e costo dei caratteri effettivamente inviati vanno considerati insieme.

La naturalezza si sente nelle battute difficili

In italiano, la differenza fra una lettura corretta e una risposta credibile emerge spesso nell’accento della frase. Una domanda, un’obiezione o una rassicurazione richiedono pause ed enfasi coerenti con il significato. Per l’agente telefonico conta anche la comprensibilità: un importo pronunciato con grazia ma capito male può costringere il chiamante a chiedere una ripetizione.

Il confronto deve riguardare voci e modelli specifici. Un saluto breve lascia poco spazio agli errori; una spiegazione lunga mette alla prova ritmo, continuità e pronuncia dei nomi propri. Anche il modo in cui il testo arriva alla sintesi cambia l’ascolto: un agente che invia porzioni di risposta mentre le genera sottopone la voce a condizioni diverse da una lettura preparata per intero. Nel caso telefonico descritto sopra, l’autore riferisce che le frasi brevi funzionavano meglio dei passaggi lunghi con ElevenLabs; il peso di questa differenza va valutato sul flusso previsto.

Un confronto sensato usa le stesse battute per entrambi i servizi e le fa ascoltare sul percorso audio reale. La qualità del file prodotto dal fornitore e quella percepita alla cornetta rispondono a domande diverse. Se l’agente opera sulla telefonia tradizionale, è il secondo ascolto a rappresentare l’esperienza del chiamante.

Un milione di caratteri rende confrontabili i costi

Il prezzo di ElevenLabs parte da una quota mensile di crediti, che va tradotta in testo sintetizzato. Nel listino ElevenLabs, Pro costa 99 dollari al mese e include 600.000 crediti, mentre Scale costa 299 dollari e ne include 1,8 milioni; Multilingual v2 usa un credito per carattere e alcuni modelli Flash e Turbo via API ne consumano fra 0,5 e uno. I crediti sono condivisi fra i prodotti dell’account, quindi l’uso di altre funzioni riduce la quota disponibile per la sintesi.

Se tutti i crediti servono a Multilingual v2, dividere il canone per i caratteri inclusi dà circa 165 dollari per milione con Pro e 166,11 dollari con Scale. È un costo unitario della quota utilizzata per intero, non il prezzo di una fattura da un milione di caratteri: Pro, da solo, non ne include abbastanza in un mese. Se il modello scelto consuma mezzo credito per carattere, la stessa quota copre il doppio del testo e il costo unitario teorico si dimezza. Promozioni, consumo aggiuntivo e crediti spesi altrove cambiano il conto effettivo.

Il listino Azure Speech presenta invece la sintesi per milione di caratteri e distingue voci Neural, Neural HD e personalizzate. La pagina mostra importi da selezionare in base alla regione, alla valuta e all’accordo commerciale; senza quella selezione non c’è una cifra Azure univoca da affiancare ai 165 dollari dell’esempio ElevenLabs. Per confrontare due preventivi occorre usare la categoria di voce effettivamente provata e specificare se il valore è una tariffa a consumo o deriva da un impegno.

Anche il denominatore richiede attenzione. Le regole di fatturazione Microsoft contano, nelle richieste elaborate, lettere, numeri, spazi e punteggiatura; nel corpo SSML includono inoltre parte del markup, con eccezioni per i tag speak e voice. Una stima basata soltanto sulle parole pronunciate sottovaluta quindi i caratteri inviati. Ripetizioni, messaggi riformulati e testo di controllo che rientra nel conteggio vanno ricavati da un campione realistico delle richieste.

La prima risposta conta più del solo tempo di sintesi

In una chiamata, il ritardo percepito comincia quando l’interlocutore finisce di parlare e termina quando sente il primo suono della risposta. In mezzo possono esserci trascrizione, generazione del testo, richiesta di sintesi, rete e trasporto telefonico. Misurare soltanto il motore vocale attribuirebbe a ElevenLabs o Azure tempi che dipendono anche dagli altri componenti dell’agente.

La guida Microsoft sulla latenza distingue il tempo fino al primo blocco audio ricevuto dal client da quello necessario a ricevere tutta la frase, e separa il tempo del servizio da quello di rete. Questa distinzione aiuta anche nel confronto fra fornitori: l’avvio rapido non basta se i blocchi successivi arrivano con interruzioni. Per capire la stabilità conviene osservare sia i tempi tipici sia le risposte insolitamente lente, insieme alle richieste fallite e ai cambiamenti di ritmo durante la frase.

Una prova d’ascolto per l’italiano telefonico

Un protocollo utile combina ascolto e tempi sullo stesso insieme di battute. Si scelgono messaggi tratti dai flussi previsti, si mantengono uguali volume e percorso telefonico e si nasconde ai valutatori il nome del fornitore. È importante registrare per ogni campione la voce, il modello e il modo in cui il testo è stato inviato: altrimenti una differenza di configurazione rischia di sembrare una differenza fra piattaforme.

Pause e accenti: domande, conferme e risposte a un’obiezione, per capire se l’enfasi segue il senso della frase.
Numeri e nomi propri: importi, orari, indirizzi e cognomi, valutati per quanto sono comprensibili alla cornetta.
Frasi lunghe: spiegazioni che richiedono continuità, senza accelerazioni o pause fuori posto.
Prima risposta: intervallo fra la fine dell’intervento del chiamante e il primo audio udibile, annotando anche interruzioni e ripetizioni.

Le valutazioni d’ascolto dovrebbero distinguere naturalezza, comprensibilità e adeguatezza del tono. Una voce meno espressiva può servire bene una comunicazione strutturata, mentre una voce più calda può aiutare in uno scambio che richiede rassicurazione. Ripetere le stesse battute in momenti diversi consente inoltre di vedere se pronuncia e avvio dell’audio restano regolari, senza attribuire a un singolo ascolto il valore di una misura di affidabilità.

La scelta dipende dal compito dell’agente

Se la conversazione richiede un tono convincente e le prove telefoniche mostrano un vantaggio riconoscibile, il maggior costo unitario di ElevenLabs può essere giustificato per quel flusso. Se l’agente comunica soprattutto informazioni strutturate, Azure Speech può essere preferibile quando la voce scelta rende chiari i dati richiesti e mantiene tempi e spesa compatibili con il volume delle chiamate.

La decisione più solida accosta tre risultati della stessa configurazione: giudizi d’ascolto sull’italiano alla cornetta, distribuzione dei tempi fino alla prima risposta e costo per milione di caratteri fatturabili. Solo così l’eventuale naturalezza aggiuntiva assume un valore riferito alle conversazioni che il servizio dovrà davvero sostenere.