Calcolatore dei costi della voice AI

Come viene calcolato

Quattro layer, ciascuno fatturato in un'unità diversa. Speech-to-text e telefonia sono già al minuto. Il modello linguistico è tariffato per milione di token e il text-to-speech per mille caratteri, quindi entrambi richiedono una conversione dai minuti — ed è proprio in queste due conversioni che la maggior parte delle stime di costo vocale sbaglia.

Due dei quattro livelli sono già tariffati al minuto. Gli altri due no, ed è proprio nella conversione che le stime di costo del voice AI di solito sbagliano:

spokenWords/min = wordsPerMinute × agentTalkShare
chars/min       = spokenWords/min × charactersPerWord
outTokens/min   = spokenWords/min × tokensPerWord

sttCost         = sttRatePerMinute                       (full connected minute)
llmInputCost    = inputTokensPerMinute × rateIn  / 1e6
llmOutputCost   = outTokens/min        × rateOut / 1e6
ttsCost         = (chars/min / 1000)   × ratePer1kChars
telephonyCost   = telephonyRatePerMinute                 (full connected minute)

total/min       = stt + llmInput + llmOutput + tts + telephony + platform

Speech-to-text e telefonia fatturano l'intero minuto di connessione: l'agente paga sia per ascoltare sia per parlare. Text-to-speech e token generati maturano solo mentre l'agente parla, il che con una quota di conversazione del 50% equivale a circa 75 parole al minuto.

Esempio pratico

Uno stack essenziale — Deepgram Nova-3 per la trascrizione, Claude Haiku 4.5, Aura-1 per la voce, Twilio in inbound — arriva a circa $0.024 per minuto di connessione: circa 7 centesimi per una chiamata di tre minuti, oppure $240 al mese con 10.000 minuti. La ripartizione è: telefonia 35%, text-to-speech 26%, speech-to-text 20%, token di prompt 17%, e token generati appena 2%.

Sostituisci con un modello di frontiera e una voce premium e la stessa chiamata costa circa $0.062 al minuto — e la struttura si ribalta. I token di prompt diventano la voce più pesante con il 32%, il text-to-speech il 33%, la telefonia scende al 23%. Quale livello convenga ottimizzare dipende interamente dallo stack che usi davvero, ed è per questo che questo strumento mostra la ripartizione e non solo un totale.

Perché i token di prompt dominano e i token generati no

Il risultato controintuitivo in tutte le configurazioni qui sopra: i token che l'agente genera sono quasi gratis, mentre i token che legge costano davvero. Un minuto di parlato dell'agente equivale a circa 100 token di output. Il system prompt, le definizioni dei tool e l'intera conversazione fino a quel momento vengono rinviati a ogni turno, il che significa migliaia di token di input al minuto. È per questo rapporto che il prompt caching incide sulla bolletta molto più che passare a un modello più economico — e per cui un system prompt lungo è un costo ricorrente, non una spesa una tantum.

Cosa non è incluso

Il noleggio del numero di telefono, la registrazione e l'archiviazione, l'observability e il tempo di sviluppo per assemblare e mantenere in funzione uno stack con quattro fornitori. Una piattaforma gestita raccoglie tutto questo in un'unica tariffa al minuto: inseriscila come costo di piattaforma per confrontare cose omogenee. Le tariffe qui riportate sono i prezzi pay-as-you-go pubblicati; volumi e accordi di utilizzo impegnato le modificano, di norma al ribasso.

I prezzi sono indicati solo in dollari USA, perché ogni provider modellato qui pubblica in dollari. Convertirli significherebbe inventare un tasso di cambio e presentarlo come un costo.

Last reviewed July 2026.

Domande frequenti

Quanto costa al minuto un agente voice AI?

Alle tariffe pubblicate, uno stack essenziale — Deepgram Nova-3, Claude Haiku 4.5, Aura-1 e Twilio in inbound — arriva a circa $0.024 per minuto connesso, ovvero circa 7 centesimi per una chiamata di tre minuti. Uno stack premium con un modello di frontiera e una voce di fascia alta si avvicina a $0.062 al minuto. Su uno stack essenziale la telefonia e il text-to-speech costano di solito più del modello linguistico, il che sorprende quasi tutti.

Quale layer costa di più?

Dipende dallo stack, ed è esattamente il senso della ripartizione. In una configurazione economica la telefonia è spesso la voce singola più alta — intorno al 35% — mentre i token generati dal modello linguistico sono appena il 2%. Passa a un modello di frontiera e a una voce premium e l'equilibrio si ribalta: i prompt token dell'LLM e il TTS si prendono circa un terzo ciascuno. Ottimizzare il layer che è già il 2% del tuo conto è fatica sprecata.

Perché i prompt token costano molto più dei token generati?

Perché il system prompt, le definizioni dei tool e l'intera conversazione fino a quel punto vengono rinviati a ogni singolo turno, mentre l'agente genera solo le parole che pronuncia davvero. Un minuto di parlato equivale a circa 75 parole pronunciate dall'agente — all'incirca 100 output token — contro migliaia di input token al minuto. Qui la leva che conta è il prompt caching, non scegliere un modello più economico.

Quali assunzioni fa questo strumento?

Che il parlato viaggi a circa 150 parole al minuto, che l'agente parli per metà della chiamata, che una parola equivalga a circa 5,5 caratteri e 1,35 token, e che vengano inviati circa 4.000 prompt token per minuto di conversazione. Tutte e cinque sono modificabili sotto "assunzioni di conversione" — il valore dei prompt token è quello che più conviene sostituire con una misurazione sul tuo traffico reale.

Perché i prezzi sono solo in dollari?

Perché ogni provider modellato qui pubblica i prezzi in dollari USA. Convertirli in un'altra valuta significherebbe inventare un tasso di cambio e presentarlo come un costo, il che è peggio che mostrare i dollari e lasciare che sia tu a convertirli con un tasso di cui ti fidi.

Sono queste le tariffe che pagherò davvero?

Sono le tariffe pay-as-you-go pubblicate, verificate alla data indicata accanto a ciascuna. Impegni di volume, accordi enterprise e piani annuali le modificano tutti, di norma al ribasso. Le tariffe contrassegnate come di seconda mano provengono da fonti terze e non dal listino del fornitore: verificale prima di prendere una decisione d'acquisto.

Include anche la piattaforma che esegue l'agente?

Solo se ne aggiungi una. I quattro livelli che compongono lo stack sono ciò che uno stack assemblato costa in pura infrastruttura. Le piattaforme gestite racchiudono orchestrazione, telefonia, monitoraggio e supporto in un'unica tariffa al minuto: inseriscila come costo di piattaforma per confrontare cose omogenee, e ricorda che uno stack assemblato in proprio comporta anche tempo di sviluppo che questo modello non calcola.

Letture correlate