Da 30,9% a 18,6%. È quanto è sceso, da una generazione all'altra, il tasso di errore del modello di trascrizione più piccolo di Mistral quando deve fare una cosa che al telefono conta moltissimo: capire non solo cosa è stato detto, ma chi l'ha detto. In una conversazione fra più persone, il modello precedente sbagliava quasi una parola su tre. Quello nuovo meno di una su cinque.
Il modello fa parte di Voxtral 3, la famiglia di modelli vocali che Mistral ha presentato il 22 ottobre 2026. E per chi usa l'AI al telefono è una delle uscite più interessanti dell'autunno, perché non è un pezzo singolo: è orecchio, voce e regia di una conversazione, pensati insieme e per le telefonate.
Cosa è uscito, in due righe
Mistral è il laboratorio francese che sviluppa i modelli omonimi. Con Voxtral 3 ha messo fuori quattro cose:
- Voxtral Transcribe 3, che trasforma la voce in testo, in oltre 50 lingue fra cui l'italiano, e distingue chi sta parlando;
- Voxtral Realtime Transcribe 3, la versione che trascrive mentre la persona parla e capisce da sola quando ha finito;
- Voxtral TTS 3, che trasforma il testo in voce in oltre 35 lingue e 50 dialetti, adattando emozione, ritmo ed enfasi alla conversazione;
- un kit per costruire agenti vocali che mette in fila ascolto, ragionamento, uso degli strumenti e voce in un unico flusso continuo, e che si collega direttamente alle linee telefoniche.
L'annuncio dice chiaramente a chi si rivolge: agenti per i call center, servizi di assistenza, assistenti virtuali. L'esempio d'apertura è una telefonata in cui l'agente legge un documento, propone un orario e fissa l'appuntamento.
Il problema del turno
Chi ha provato un agente vocale delle generazioni passate conosce due difetti opposti. Il primo: ti interrompe mentre stai ancora pensando, perché ha scambiato un «ehm…» per la fine della frase. Il secondo: aspetta, aspetta, aspetta, e quando finalmente risponde tu hai già detto «pronto?». Sono due facce dello stesso problema: capire quando tocca parlare.
Le persone lo fanno senza pensarci, ascoltando insieme il tono e il senso. Un «sì, guardi, giovedì…» detto con la voce sospesa non è una frase finita, anche se c'è una pausa. Voxtral 3 affronta proprio questo: il rilevamento della fine del turno, scrive Mistral, usa «sia informazioni acustiche sia semantiche» — il suono e il significato — per rispondere presto «riducendo al minimo le interruzioni premature».
Nel kit per gli agenti questo si unisce a due cose che al telefono fanno la differenza. Ogni scambio, secondo l'annuncio, si chiude in meno di un secondo, perché nessuna fase aspetta che finisca la precedente. E l'agente smette di parlare quando la persona lo interrompe, come farebbe chiunque in una conversazione normale.
Velocità contro precisione, in tabella
La parte più onesta dell'annuncio è un grafico che di solito i laboratori non mostrano: quanto si perde in precisione se si chiede al modello di essere più rapido. Nel modello in tempo reale il ritardo è una manopola, regolabile secondo la documentazione da 80 millisecondi a 2,4 secondi. Mistral ha misurato quattro posizioni, e le ha messe accanto ai modelli in tempo reale di altri laboratori.
| Modello di trascrizione in tempo reale | Ritardo impostato | Errori sulle parole |
|---|---|---|
| Gemini 3.5 Realtime Transcribe (Google) | — | 4,2% |
| Voxtral Mini Realtime 3 | 2,4 secondi | 5,7% |
| Microsoft AI Transcribe 2 Streaming | — | 5,8% |
| Voxtral Mini Realtime 3 | 960 ms | 6,0% |
| Voxtral Mini Realtime 3 | 480 ms | 6,4% |
| Voxtral Mini Realtime 3 | 240 ms | 7,4% |
| GPT Live Transcribe (OpenAI) | — | 8,4% |
Fonte: Mistral AI, «Voxtral 3», 22 ottobre 2026, grafico «FLEURS 35». Media del tasso di errore sulle parole in 35 lingue del test FLEURS, italiano compreso; più basso è meglio. Il ritardo dei modelli degli altri laboratori non è indicato.
La lettura in una riga: passare da un quarto di secondo a mezzo secondo di attesa toglie un errore ogni cento parole; da lì in poi, aspettare di più rende sempre meno. Per una telefonata è un'informazione preziosa, perché la scelta smette di essere «veloce oppure preciso» e diventa una regolazione: più rapido dove serve prontezza, più paziente dove serve capire un nome o un numero.
Va detto anche cosa mostra la tabella senza girarci intorno: su questa prova il modello in tempo reale di Google sbaglia meno di tutti, e lo mette in tabella Mistral stessa. Sulla trascrizione a registrazione finita, invece, il modello più grande di Voxtral è appaiato al primo sulla prova multilingue ed è primo in quella che distingue chi sta parlando.
I nomi che sbagliava
Chi telefona per lavoro lo sa: le parole che un sistema automatico sbaglia non sono quelle comuni. Sono i nomi propri, le vie, le sigle, i nomi dei prodotti. Proprio quelle che in una telefonata contano di più, perché un appuntamento fissato con il cognome sbagliato o all'indirizzo sbagliato è un appuntamento perso.
Voxtral 3 attacca il problema da due lati.
In ascolto, si possono passare al modello le parole che deve aspettarsi: nomi di persone, termini del settore, nomi di prodotto. Mistral la chiama context biasing. Nella prova pubblicata, fatta su registrazioni di conferenze finanziarie in inglese, la quota di termini chiave riconosciuti giusti sale dall'81,4% al 94,6% quando il modello riceve l'elenco. Senza addestrarlo da capo: basta dargli la lista.
In voce, si può dire al modello come si pronuncia una parola che non conosce, con la sua trascrizione fonetica. Fra gli esempi dell'annuncio ce n'è uno in italiano: il nome inventato di un assistente, «Quivello», con la pronuncia indicata a parte, accanto alla versione senza indicazioni. Per chi ha un'azienda con un nome particolare, o lavora in una zona con toponimi che nessun sistema ha mai sentito, è la differenza fra un agente che suona del posto e uno che suona di passaggio.
La voce e le emozioni
Il modello vocale, secondo la documentazione, comincia a produrre audio in circa 90 millisecondi e accetta 34 indicazioni di emozione e due di ritmo. Ma la cosa più interessante è un'altra: il tono lo sceglie da solo, leggendo il senso della frase e della conversazione fin lì. Una conferma suona come una conferma, una scusa come una scusa, senza che qualcuno debba annotarlo riga per riga.
L'italiano c'è, sia fra le lingue sia fra le voci già pronte, disponibili in 18 lingue. Ed è possibile creare una voce su misura: Mistral parla di una versione professionale che riproduce carattere, gamma emotiva e modo di parlare di una persona a partire da circa mezz'ora di registrazione. Gli esempi messi a confronto con la prima generazione mostrano il salto sulle cose in cui le voci sintetiche inciampavano: indirizzi email letti per intero, date, orari.
Questa settimana: Claude Fable 5.2
Il 9 novembre Anthropic ha presentato Claude Fable 5.2, il suo modello più capace, pensato per il lavoro tecnico più impegnativo. Al telefono, a rispondere in diretta, un modello così non serve: è pensato per un altro tipo di lavoro, lungo e profondo. Ma l'annuncio contiene un dettaglio che riguarda anche chi usa l'AI per telefonare.
Fable 5.2 può fare da consulente ai modelli più piccoli e rapidi: quelli lavorano, e quando incontrano un problema difficile lo interpellano. È uno schema che per gli agenti vocali ha molto senso — un modello agile in linea, un modello profondo alle spalle per quello che succede prima e dopo la chiamata. Fra le testimonianze dei primi utilizzatori ce n'è una che vale la pena citare: il modello «dice che non sa le cose invece di inventarle». Per chi deve fidarsi di quello che un'AI scrive su una scheda cliente, è la qualità più importante di tutte.
Cosa l'annuncio non dice
Quattro cose, perché senza queste il resto non vale.
La prima: è un'anteprima. Nella documentazione i modelli nuovi sono segnati come «Public Preview». Si possono provare e misurare da subito; costruirci sopra un servizio che telefona tutti i giorni è un'altra cosa.
La seconda: sull'italiano da solo non c'è un numero. I tassi di errore sono medie su decine di lingue, e le prove sulla qualità della voce sono in gran parte in inglese e fatte da Mistral stessa. Come se la cava con un titolare che risponde dal furgone in mezzo al traffico non lo dice nessun grafico: lo si scopre solo ascoltando.
La terza: le prove non sono telefonate. FLEURS è fatto di frasi lette ad alta voce, non di conversazioni su una linea telefonica con il suo audio compresso. La documentazione prevede espressamente l'audio di una linea telefonica, ma nessuno dei numeri pubblicati è misurato lì.
La quarta, quella che ci riguarda di più: capire il turno non salva una telefonata sbagliata. Un agente che sa quando tocca a lui è più gradevole da ascoltare, e questo conta. Ma se chiama la persona sbagliata, nel momento sbagliato, con un motivo che non le interessa, risponde soltanto con più garbo al «no, grazie». I modelli migliorano il come si parla; il cosa dire e a chi resta lavoro di chi conosce quella telefonata.
Cosa puoi fare lunedì mattina
Prendi un foglio e scrivi le venti parole che al telefono ti fanno ripetere più spesso: il nome della tua azienda, i cognomi dei clienti ricorrenti, le vie e i paesi della tua zona, i nomi dei prodotti, le sigle del tuo settore. Accanto a ognuna, come si pronuncia davvero.
È esattamente l'elenco che questa generazione di modelli sa usare: da una parte per capire quelle parole quando le dice il cliente, dall'altra per pronunciarle giuste. Fino a poco tempo fa i nomi propri erano il punto in cui un agente vocale inciampava più spesso. Oggi sono il punto in cui gli si può insegnare di più in meno tempo — e quell'elenco, se un giorno affiderai una parte delle chiamate a un agente, è la prima cosa da mettere sul tavolo.
Fonti
- Mistral AI — Voxtral 3: Speech-to-Text, TTS & Voice Agents, 22 ottobre 2026 (modelli, lingue, fine del turno, grafici di precisione, voci, kit per agenti)
- Mistral Docs — Voxtral Mini Transcribe Realtime 3 (ritardo regolabile, stato di anteprima)
- Mistral Docs — Voxtral TTS 3 (tempo al primo audio, indicazioni di emozione e ritmo)
- Mistral Docs — Speech to text — overview (audio da microfono o da linea telefonica)
- Anthropic — Introducing Claude Fable 5.2 and Claude Mythos 5.2, 9 novembre 2026 (ruolo di consulente, testimonianze dei primi utilizzatori)
Perché lo sappiamo
Non veniamo dal software, veniamo dalla vendita. Gli script che trovi in queste pagine non escono da un modello generico: nascono da oltre cinque anni di vendita telefonica, e vengono riscritti dopo aver riascoltato le chiamate — quelle andate bene e soprattutto quelle andate male. Dietro ogni riga di copione c'è una frase che al telefono ha funzionato, e tre che sono state buttate.
Il motore lo scegliamo e lo aggiorniamo noi. Tu senti l'agente sul tuo settore, approvi come parla, e ricevi gli appuntamenti. → Come lavoriamo, settore per settore
