Una voce costruita per il modo in cui parliamo.

No. Non esiste una demo pubblica, non esiste un’API pubblica, non esiste integrazione telefonica, non esiste duplex nativo e la clonazione vocale non è nel prodotto. Tutti e cinque sono elencati come assenti nella nostra stessa roadmap. Se vi serve un voice agent che funzioni adesso, la risposta è Kallina, non Grai; se vi serve un file audio, è Voice Studio.

Nel riconoscimento in romeno, 26,31% di tasso di errore sulle parole sulla finestra predefinita di 1120 ms, con intervallo di confidenza 95% tra 24,07 e 28,60; in russo 9,30%. Protocollo: 200 enunciazioni per lingua da FLEURS, seme 20260831, decodifica in streaming. Quanto è buono: non è buono. La nostra conclusione, scritta nella tabella di confronto, è che in accuratezza in romeno perdiamo rispetto ai sistemi commerciali, con un fattore da cinque a nove. Il romeno è quasi tre volte più difficile da riconoscere del russo con la stessa configurazione, ed è proprio il problema che stiamo studiando.

Nella scomposizione misurata, il modello di linguaggio prende 2180 ms del percorso, il riconoscimento 92 ms e la sintesi 305 ms. Il riconoscimento è praticamente gratuito; la sintesi quasi uguale. Chi vuole una conversazione vocale più veloce deve intervenire sul modello di linguaggio — con un modello più piccolo, con lo streaming della risposta o accorciando le risposte. Qui dobbiamo essere onesti anche con noi stessi: i numeri di segmento pubblicati sul sito non si sommano al totale pubblicato sullo stesso schermo, e la differenza è di circa mezzo secondo. La scomposizione è quella di cui ci fidiamo; il totale aggregato va ricalcolato prima di essere citato.

Perché in cascata si può cambiare ciascun componente separatamente e si possono tenere riconoscimento e sintesi in locale, sul processore, senza GPU. Il prezzo è la latenza di concatenazione e il fatto che il modello di linguaggio, che è la parte più grande del ritardo, sta fuori dalla macchina. Il duplex nativo è una direzione, non qualcosa che abbiamo — è nella lista di «non esiste ancora».

La roadmap propone tre addestramenti sotto i 1.200 dollari in totale: riconoscimento per il romeno su VoxPopuli CC0, 89 ore, circa 50 ore di H100, intorno a 500 dollari; un rilevatore di fine turno per il romeno, circa 2.000 campioni propri, sotto 100 dollari; una voce propria, 500-800 dollari. Il terzo non è bloccato dai soldi, ma dai dati — e dal fatto che il modello di sintesi su cui ci basavamo è stato archiviato dai suoi autori. La cifra obiettivo per il primo addestramento, intorno al 21%, è un’extrapolazione dai miglioramenti ottenuti sul greco e sul bulgaro, non una misurazione.

Il metodo studiato è l’ottimizzazione inversa su pesi congelati, non la clonazione da pochi secondi: 6-30 minuti di materiale per voce, circa 3.000 passi di ottimizzazione, 2,6 GB di memoria di picco, con l’artefatto consegnato dell’ordine dei kilobyte. Ma non è nel prodotto, ed è importante dire perché non è solo una questione tecnica: nella Repubblica Moldova la voce è dato biometrico dal 23 agosto 2026. Senza consenso esplicito e cessione, la domanda non è se si possa, ma che non si fa.

Perché altrimenti non avrebbe senso pubblicarle affatto. Una tabella in cui risultate sempre primi è una tabella di marketing. La nostra marca le righe dei terzi come dichiarate e solo le nostre come misurate, e la conclusione scritta sotto dice che perdiamo. Bisogna però dire chiaramente anche ciò che nessuno dall’esterno può fare: il codice che ha prodotto queste misurazioni non è pubblico e non accompagna il sito, quindi i numeri non possono essere riprodotti da un terzo oggi. Trattateli come misurazioni interne, non come risultati verificati indipendentemente.