Costo API per voice agent: una chiamata di 10 minuti costa $0.04-$0.57

Una conversazione di 10 minuti con un voice agent costa da $0.04 a $0.57 in API. Quasi tutta la differenza dipende da due scelte: assemblare lo stack in proprio o usare un’API speech-to-speech, e quale fascia di text-to-speech adottare. Abbiamo misurato ogni passaggio tramite un unico gateway e nello stesso batch: tre modelli di riconoscimento vocale, con tariffazione al minuto audio; sei modelli di sintesi vocale, in base ai minuti audio effettivamente generati; un dialogo LLM di otto turni su tre modelli, due di fascia flash e uno frontier; infine, una sessione live con GPT Realtime, fatturata canale per canale. In questo articolo combiniamo i singoli costi per calcolare il prezzo al minuto di ciascuna architettura.

TL;DR

• Uno stack a cascata (STT + LLM + TTS) costa da $0.0037 a $0.025 per minuto di conversazione; gpt-realtime-2.1 ha registrato $0.057, mentre il modello mini, a $0.016, rientra nella fascia della cascata.
• Con un modello di fascia flash, la voce costa più del modello: 12 volte tanto nella configurazione standard. Un modello frontier ribalta la struttura dei costi.
• Il sovrapprezzo del realtime serve a ridurre la latenza: abbiamo misurato 1.7-2.1 s da voce a voce, contro 4.9-7.7 s per le configurazioni a cascata.
• Con la tariffazione TTS per carattere, un minuto di parlato in cinese costa da 3 a 7 volte meno dell’inglese su tutti i modelli misurati.

Come funziona un voice agent e perché esistono due architetture?

Un voice agent trasforma ciò che dice l’utente in una risposta audio. Tutte le soluzioni disponibili adottano una di due architetture. La cascata collega in sequenza tre API specializzate: un voice activity detector stabilisce quando l’utente ha finito di parlare, il riconoscimento vocale trascrive la frase, un LLM genera la risposta partendo dalla trascrizione e dallo storico della conversazione, quindi la sintesi vocale la converte di nuovo in audio. Ogni passaggio è un servizio distinto e fatturato separatamente. Per questo la cascata è economica e modulare: STT, modello e voce si scelgono in modo indipendente e si pagano tre importi contenuti.

L’architettura speech-to-speech (realtime) sostituisce tutti e tre i passaggi con un unico modello che riceve e genera direttamente audio tramite WebSocket. (Synthorai la supporta in modo nativo: il gateway espone WebSocket su /v1/realtime e un SDK OpenAI Realtime esistente funziona senza modifiche puntando al nostro endpoint; consulta la documentazione dell’API realtime. Tutte le sessioni realtime di questo articolo sono passate da quella connessione.) Nel percorso principale non viene prodotta alcuna trascrizione: il modello percepisce tono e tempi, non solo il testo. Lo storico della conversazione rimane sul server sotto forma di token audio e viene reinviato al modello a ogni risposta. Questa struttura offre due caratteristiche che una cascata non può garantire per sua natura: latenza da voce a voce inferiore a 2 secondi e barge-in naturale, cioè la possibilità per l’utente di interrompere il modello a metà frase facendogli percepire l’interruzione. Cambia anche la fatturazione: invece di tre contatori a tariffa fissa, si pagano separatamente audio in ingresso e in uscita, i cosiddetti “canali”, oltre a uno storico il cui costo cresce a ogni turno e deve essere contenuto tramite caching.

Nel resto dell’articolo calcoliamo il costo esatto di entrambe le architetture: prima ogni componente della cascata con il relativo contatore, poi il loop realtime canale per canale.

Quanto costa un voice agent al minuto?

Le sei configurazioni analizzate costano da $0.0037 a $0.057 per minuto di conversazione, con una differenza di 15 volte. Nei dati seguenti vanno tenute distinte due unità: un minuto di conversazione corrisponde a un minuto effettivo di chiamata; un minuto audio è un minuto di parlato reale su uno dei due lati ed è l’unità fatturata da STT e TTS. Lo scenario è identico per tutte le configurazioni: tempo di parola diviso equamente tra utente e agent, quattro scambi al minuto e frasi brevi tipiche dell’assistenza. I passaggi della cascata sono fatturati in base alle durate audio e ai token misurati; i dati realtime provengono da una sessione live di otto turni:

Più degli estremi contano due posizionamenti. L’API realtime di punta costa 2.3 volte una cascata premium. Il suo prezzo non compra una qualità equivalente, ma capacità che una cascata non può offrire: circa 2 secondi di latenza da voce a voce nella nostra sessione, barge-in nativo e conservazione di tono e ritmo, cioè della prosodia, perché l’audio non viene mai convertito in testo. Il modello mini si colloca invece tra la cascata standard e quella premium. Il confronto di prezzo tra cascata e realtime è quindi rilevante solo per la fascia flagship; con mini, la scelta riguarda latenza e controllo, non il costo.

Per rendere il confronto equo, le altre tre cascate usano modelli di fascia flash contro il modello vocale flagship di OpenAI. La riga con modello SOTA assegna alla cascata il modello testuale frontier dello stesso vendor, gpt-5.6, a $5 in ingresso e $30 in uscita per milione. Anche così, la cascata costa $0.0200 per minuto di conversazione, 2.9 volte meno del realtime flagship. Un turno testuale a prezzi frontier elabora comunque due ordini di grandezza in meno di token costosi rispetto a un canale audio. La parità qualitativa aggiunge $0.010 di modello al minuto, ma non elimina la differenza strutturale tra le architetture.

Quale componente della cascata pesa di più sul costo?

La voce, finché si usa un modello di fascia flash. Nella configurazione standard, un minuto di conversazione costa $0.0076 in TTS e $0.0006 in LLM, con una differenza di 12 volte. Anche nella configurazione economica, il passaggio vocale costa il triplo del modello. Passando a gpt-5.6, la struttura si ribalta: a $0.00274 per scambio, il modello diventa il componente più costoso con $0.0110 al minuto, 1.4 volte il TTS tts-1. Con i modelli flash, il costo di un voice agent è dominato dalla voce; con i modelli frontier, dal modello. Il riconoscimento vocale si colloca nel mezzo, da $0.0010 a $0.0030 per minuto di conversazione (tariffe al minuto rilevate nel nostro test su 14 modelli, verificate di nuovo in questo batch: qwen3-asr-flash $0.00198, gpt-4o-mini-transcribe $0.00294, whisper-1 $0.006 per minuto audio).

Il modello costa quasi nulla finché non entra in gioco il reasoning. Nel dialogo di assistenza di otto turni, deepseek-v4-flash-0731 si è stabilizzato intorno a 310 token in ingresso e 71 in uscita per turno, pari a $0.00016 per scambio. Su gemini-3.7-flash, lo stesso dialogo è costato $0.00126 per scambio, 8 volte tanto. La causa emerge dalla distribuzione dei token: da 89 a 361 token di reasoning per turno, impiegati per elaborare una risposta di due frasi. Gemini 3.7 Flash non permette di disattivare il thinking, quindi un voice agent basato su questo modello paga un costo aggiuntivo di reasoning a ogni scambio. Sui modelli in cui la disattivazione funziona, un turno vocale è proprio il tipo di attività lineare in cui si può rinunciare al reasoning senza rischi.

Quanto costa la sintesi vocale per minuto audio?

Da $0.004 a $0.034 per minuto sintetizzato, con una differenza di 8.4 volte che i prezzi per carattere non mostrano. Tutti i modelli seguenti fatturano in base ai caratteri in input. Abbiamo quindi sintetizzato brani fissi in inglese e cinese, misurato l’audio restituito e calcolato il costo al minuto:

La variabile nascosta è la velocità del parlato. tts-1-hd e chirp3-hd hanno lo stesso prezzo di listino, $30, ma chirp3-hd legge il nostro brano inglese più velocemente, generando meno secondi di audio. Di conseguenza, costa il 13% in più per minuto audio. All’estremo opposto, google-tts-standard genera un minuto di audio a meno della metà del costo di qualsiasi altro modello misurato. Il prezzo di listino permette di ordinare i modelli; solo il costo al minuto audio consente di calcolare la spesa effettiva.

Il dato sulla colonna cinese ha superato le nostre aspettative: un minuto di cinese parlato richiede da 3 a 7 volte meno caratteri fatturabili rispetto all’inglese, perché ogni carattere racchiude una quantità maggiore di parlato. Con la tariffazione per carattere, il passaggio vocale di un voice agent in cinese costa dal 66 all’85% in meno rispetto allo stesso agent in inglese. Sul lato testuale, a questo vantaggio si aggiungono le differenze di token tra lingue.

Quando vale la pena pagare un’API realtime?

Quando un loop da voce a voce di 2 secondi e la gestione nativa delle interruzioni compensano il costo. Considerando solo il prezzo, il modello flagship perde contro tutte le cascate analizzate. In questo batch abbiamo riprodotto esattamente entrambe le conversioni audio ufficiali: 30.0 secondi di audio in ingresso sono stati fatturati come 300 token, cioè 1 token ogni 100 ms, mentre 3.7 secondi in uscita sono diventati 74 token, cioè 1 ogni 50 ms. Sono gli stessi valori misurati nel nostro studio di luglio. Ai prezzi di listino di gpt-realtime-2.1, il solo ascolto costa $0.0192 al minuto e la voce $0.0768 al minuto, senza contare la rifatturazione dello storico che fa crescere il costo nelle sessioni lunghe.

Grazie alla cache, la crescita è più contenuta di quanto sembri. Nella nostra sessione di otto turni, l’input è passato da 72 a 643 token per risposta, ma all’ottavo turno 512 erano in cache a $0.40 per milione. Sull’intera sessione, il 76% dei token in ingresso è stato fatturato alla tariffa cached. Il costo complessivo misurato è stato di $0.0752 per uno scambio di 1.31 minuti, cioè $0.0573 per minuto di conversazione. La ripartizione per canale è significativa: 66% audio in uscita, 17% audio nuovo in ingresso e 16% testo. Il modello produce infatti anche una versione testuale di ogni risposta, fatturata alla tariffa di $24 per milione di token testuali in uscita. In pratica, circa un sesto di una fattura “speech-to-speech” deriva dal modello testuale. Applicando lo stesso profilo di token misurato alle tariffe di mini si ottiene $0.0159. È il dato più interessante: mini costa meno della cascata premium, mantenendo latenza e barge-in che l’architettura a cascata non può offrire per sua natura.

L’altro costo del realtime è operativo, non legato ai token: le sessioni si interrompono obbligatoriamente dopo 60 minuti e non possono riprendere conservando lo storico audio. Una conversazione che supera quel limite riparte quindi con la cache vuota. Lo studio di luglio descrive questi meccanismi in dettaglio.

Quanto è più veloce lo speech-to-speech rispetto a una cascata?

Nelle configurazioni analizzate, da 2.3 a 4.5 volte. La differenza aumenta man mano che la cascata diventa più sofisticata. Il grafico usa le stesse sei configurazioni della tabella dei costi e la stessa unità per ogni barra: un turno di conversazione, misurato dalla richiesta al completamento della risposta con un carico realistico, cioè una frase di 5 secondi in ingresso e una risposta di due frasi in uscita. Per le cascate, le barre sommano le mediane di tre esecuzioni per ciascun passaggio:

In numeri, i turni a cascata richiedono 4.9 s per la configurazione economica, 5.6 s per quella standard, 5.7 s con modello SOTA e 7.7 s per quella premium. Entrambi i modelli speech-to-speech restano invece nella stessa fascia: 1.6-2.1 s per gpt-realtime-2.1-mini su 4 turni live e 1.7-2.1 s per gpt-realtime-2.1 su 8.

Confrontando il grafico con la tabella dei costi, il compromesso è evidente. Nelle cascate, costo e latenza vanno in direzioni opposte. La configurazione economica è sia la meno costosa sia la cascata più veloce. Quella premium costa 6.8 volte tanto ed è più lenta di 2.8 secondi, perché i componenti costosi, un modello che ragiona e una voce HD, sono anche quelli più lenti. Nello speech-to-speech, entrambi i modelli restano intorno ai 2 secondi indipendentemente dalla fascia. Mini è quindi meno costoso di due cascate e più veloce di tutte e quattro.

Dai dati emergono altri tre aspetti. Primo, l’LLM è il collo di bottiglia di ogni cascata e il reasoning obbligatorio ne raddoppia quasi la latenza: gemini-3.7-flash impiega 4.5 secondi per elaborare una risposta di due frasi, contro 2.6 di deepseek e 2.7 di gpt-5.6. Lo stesso reasoning che costa 8 volte tanto in token porta quindi la configurazione premium all’ultimo posto anche per latenza. Secondo, scegliendo il componente più veloce misurato per ogni passaggio, cioè gpt-4o-mini-transcribe, deepseek e google-tts-standard, il limite minimo resta 4.1 secondi. È più del doppio della fascia realtime, ancora prima di aggiungere l’attesa del voice activity detector per la fine del parlato e la riproduzione audio. Terzo, le righe della cascata misurano tempi sequenziali fino al completamento dell’intera risposta. In produzione, una cascata può inviare in streaming l’output dell’LLM a un TTS in streaming, sovrapponendo i due passaggi più lunghi e recuperando buona parte della differenza. Questa sovrapposizione richiede però lavoro di implementazione e tuning, mentre i 2 secondi dell’API realtime sono disponibili fin dalla prima sessione WebSocket.

Da dove arriva la latenza di un turno a cascata? Soprattutto dalle tre richieste, non dai contenuti che trasportano. La rete pura incide poco: un round trip HTTPS su connessione calda verso l’edge dell’API ha richiesto circa 0.09 secondi. Tre passaggi seriali aggiungono quindi circa 0.3 secondi di sola rete per turno, oltre a un handshake TLS di 0.2 secondi quando la connessione è fredda. Il costo dominante è il dispatch fisso di ciascuna richiesta. Lo abbiamo isolato rieseguendo i passaggi della configurazione più veloce con payload quasi vuoti: una risposta LLM di un solo token ha comunque richiesto 2.5 secondi, una clip di mezzo secondo 1.6 secondi per la trascrizione e una sintesi di due parole 0.4 secondi. Questi minimi sommano 4.4 secondi, contro i 4.1 secondi dei payload completi: la differenza rientra nel rumore di misurazione. Quasi tutto il tempo di un turno a cascata deriva quindi dall’overhead per richiesta. Il contenuto effettivo, 70 token di risposta invece di 1 o una clip 10 volte più lunga, incide pochissimo. La conseguenza pratica è duplice: accorciare le risposte di una cascata non la rende più veloce, mentre eliminare o sovrapporre una richiesta, tramite streaming tra i passaggi e connessioni persistenti, interviene sul costo reale. L’API realtime porta questa logica all’estremo: mantiene aperto un unico socket, quindi ogni turno evita un nuovo ciclo di richiesta.

FAQ

Qual è il modo più economico per eseguire un voice agent?

La cascata economica: qwen3-asr-flash per l’ascolto, deepseek-v4-flash-0731 come modello e google-tts-standard per la voce. Costa $0.0037 per minuto di conversazione, circa $0.04 per una chiamata di 10 minuti. È 15 volte più economica dello speech-to-speech flagship; in cambio si rinuncia alla bassa latenza da voce a voce e alla gestione naturale delle interruzioni.

GPT Realtime costa più di uno stack a cascata?

Il modello flagship sì: gpt-realtime-2.1 ha registrato $0.0573 per minuto di conversazione, 2.3 volte la nostra cascata premium e 15 volte quella economica. gpt-realtime-2.1-mini no: a $0.0159 per minuto di conversazione con lo stesso profilo di token, si colloca tra le cascate standard e premium. Nella fascia mini, quindi, la scelta dipende da latenza e controllo, non dal prezzo.

Quale componente di un voice agent costa di più?

La sintesi vocale, in tutte le cascate con modello flash che abbiamo analizzato: da $0.002 a $0.017 per minuto di conversazione, contro $0.0006-$0.005 per un LLM flash, con una differenza di 12 volte nella configurazione standard. Un modello frontier ribalta il rapporto: gpt-5.6 costa $0.0110 al minuto contro $0.0076 di tts-1. All’interno del TTS, la scelta del modello genera una differenza di 8.4 volte per minuto audio, il fattore singolo con l’impatto maggiore tra quelli misurati.

La lingua della conversazione cambia il costo?

Per la voce, in modo sostanziale: con la tariffazione per carattere, un minuto di cinese parlato costa da 3 a 7 volte meno dell’inglese su tutti e sei i modelli TTS misurati, perché ogni carattere contiene più parlato. Sui tre modelli verificati di nuovo, le tariffe del riconoscimento vocale erano identiche per entrambe le lingue. Sul lato testuale, le differenze seguono la variazione dei tokenizer tra lingue.

Misurazioni effettuate il 2026-08-17 tramite il gateway Synthorai, con tutti i passaggi nello stesso batch: sei modelli TTS hanno sintetizzato brani fissi in inglese e cinese, con durate audio ricavate dai file restituiti, due esecuzioni ciascuno; tre modelli STT sono stati testati sulle clip standard, calcolando il costo al minuto dagli header di fatturazione; tre modelli LLM, due di fascia flash e uno frontier, hanno eseguito un dialogo di assistenza predefinito di otto turni, registrando l’usage di ogni turno; un test di latenza per ciascun passaggio, frase di 5 secondi verso STT, turno a regime verso LLM e risposta di due frasi verso TTS, n=3, misurando il tempo fino al completamento dell’intera risposta; un test dei tempi minimi sugli stessi passaggi, risposta di un token, clip di mezzo secondo e sintesi di due parole, n=3, con misurazione dei round trip su connessioni calde e fredde verso l’edge dell’API; sessioni live con GPT Realtime, frasi di 5 secondi, otto turni sul modello flagship e quattro su mini, fatturate canale per canale usando gli eventi response.done. Il costo di mini è stato ricavato applicando alle sue tariffe di listino il profilo di token misurato nella sessione flagship; la fascia di latenza di mini è stata invece misurata nella relativa sessione. I calcoli delle cascate assumono tempo di parola equamente diviso e quattro scambi al minuto; le tariffe sono i prezzi di listino del catalogo modelli al momento della misurazione. seed-tts-2.0 è già disponibile, ma è stato escluso in attesa di misurazioni stabili. Prezzi e velocità del parlato cambiano; ripetete le misurazioni prima di scegliere un’architettura.

Altri articoli della serie: prezzi del riconoscimento vocale su 14 modelli, meccanismi di fatturazione di GPT Realtime, costo in token delle immagini in input, prezzi della generazione video.

← Torna al blog