L’ANALISI
AssemblyAI STT-3.7: cosa cambia per gli agenti vocali
AssemblyAI STT-3.7 distingue tre modelli e 32 lingue native. Prezzi, fallback a 99 lingue e perché gli 86 ms non sono la risposta completa.

In breve: AssemblyAI STT-3.7 è una famiglia di tre modelli di trascrizione: Realtime per riunioni e sottotitoli, Realtime-Agent per agenti vocali e un modello per file registrati. Le lingue native sono 32; le 99 lingue riguardano il fallback opzionale del percorso preregistrato, mentre gli 86 ms misurano l'arrivo della trascrizione finale con fine turno già fornita, non il tempo completo di risposta dell'agente. AssemblyAI: Introducing AssemblyAI-STT-3.7.
Analisi documentale delle fonti primarie verificata il 18 novembre 2026. Le checklist sono protocolli proposti: nessun test di account, audio o runtime è stato eseguito.
Quale modello serve per riunioni, telefonate e file?
La novità non è un unico motore da mettere indistintamente in ogni progetto. AssemblyAI separa il testo live con etichette dei parlanti, l'ascolto di chi conversa con un agente e la trascrizione di registrazioni. Per una riunione interessa attribuire correttamente le battute; per un centralino interessa non trasformare la televisione sullo sfondo in un ordine del chiamante. Questa è una differenza di requisiti, non una classifica universale. Prima di migrare conviene quindi scrivere quale errore si vuole ridurre e identificare il parametro API corrispondente. Un'integrazione funzionante con un modello precedente non dimostra automaticamente che diarizzazione, messaggi e comportamento dei turni siano equivalenti nel sostituto. AssemblyAI: Introducing AssemblyAI-STT-3.7.
Le lingue sono 32 oppure 99?
Nella tabella del lancio i tre modelli hanno 32 lingue native. La voce relativa al preregistrato aggiunge un fallback opzionale a 99 lingue: non autorizza a presentare Realtime-Agent come modello streaming nativo per 99 lingue. È un dettaglio importante quando si promette assistenza multilingue a un cliente. Anche la presenza dell'italiano non basta a garantire indirizzi, nomi aziendali o numeri di pratica corretti. La valutazione pratica dovrebbe separare riconoscimento della lingua, qualità delle entità e cambio di lingua nella stessa conversazione. È una proposta di verifica, non un risultato ottenuto qui: in questo lavoro non sono stati inviati audio né aperte sessioni API. AssemblyAI: modelli e lingue supportate.
Che cosa misurano davvero gli 86 millisecondi?
Il post di ricerca definisce un benchmark di latenza separato, composto da sette insiemi, nel quale la fine del turno viene già fornita al sistema. Gli 86 ms descrivono quindi il tempo alla trascrizione finale senza il ritardo necessario a decidere che la persona abbia finito. Non sono la durata completa dal silenzio del cliente alla prima sillaba dell'assistente. Per quella esperienza occorre osservare anche rilevamento del turno, generazione della risposta e sintesi vocale. Il miglioramento dichiarato rispetto ai 172 ms del predecessore è interessante nello stesso protocollo del fornitore; trasformarlo in una promessa sul proprio centralino sarebbe un salto non sostenuto dai dati disponibili. AssemblyAI: ricerca e metodologia STT-3.7-Realtime-Agent.
Quanto costa una sessione e che cosa resta ambiguo?
Il lancio indica 0,30 dollari l'ora per Realtime, 0,45 per Realtime-Agent e 0,21 per i file. La documentazione streaming specifica però che la fatturazione segue il tempo della connessione WebSocket aperta: anche un tratto senza parlato entra nel denominatore. Inoltre il listino presenta Voice Focus come aggiunta da 0,10 dollari l'ora, mentre la descrizione del modello Agent lo cita tra le caratteristiche. Non è corretto sommare automaticamente le due cifre e chiamare il risultato prezzo certo, né ignorare l'extra. Prima di un preventivo serve chiarire quando venga applicato, insieme agli altri parametri attivati. Questi importi riguardano la trascrizione, non l'intera infrastruttura telefonica o il costo della conversazione completa. AssemblyAI: prezzi e funzionalità aggiuntive.
Come decidere senza scambiare il benchmark per una prova?
La lettura operativa è costruire una piccola matrice di accettazione prima di cambiare fornitore: risposte brevi, sovrapposizioni, rumore, numeri e nomi propri devono avere criteri distinti. Per ogni registrazione autorizzata andrebbero confrontati testo finale, decisioni di fine turno, tempo completo e consumo fatturato della sessione. L'articolo sul centralino AI già pubblicato offre un contesto sulle architetture e sulle misure, ma non costituisce una prova di STT-3.7. Anche la data va letta con precisione: il lancio riporta 18 novembre 2026 senza fuso o orario espliciti. L'edizione lo colloca sul 18 novembre mantenendo questa incertezza, senza inventare un istante di disponibilità italiano. AssemblyAI: Introducing AssemblyAI-STT-3.7.
Condizioni e limitazioni
Analisi documentale, non una prova del servizio: nessun account, microfono o flusso audio è stato utilizzato. I risultati sono del fornitore; il rapporto tra Voice Focus dichiarato nel modello e l'extra da 0,10 dollari l'ora resta da chiarire prima di stimare il conto. AssemblyAI: prezzi e funzionalità aggiuntive.
Checklist pratica
- Scegliere esplicitamente il percorso Realtime, Agent o preregistrato prima di confrontare prezzi e funzionalità.
- Verificare le 32 lingue native del modello scelto senza estendere il fallback a 99 lingue allo streaming.
- Separare tempo alla trascrizione finale, attesa di fine turno e prima risposta vocale.
- Chiarire per iscritto Voice Focus e gli extra, poi misurare il tempo WebSocket aperto.
- Usare soltanto audio autorizzato e controllare nomi, numeri, risposte brevi e parlato di sfondo.
Centralino con agente AI: 5 soluzioni provate, costi al minuto, latenze e linea fissa WindTre