ElevenLabs vs Cartesia: qual è la miglior voce italiana AI nel 2026

Nel 2024 la sintesi vocale AI in italiano era ancora zoppicante. Cadenza strana sulle parole tronche, “e” chiuse dove servivano aperte, latenza da 3-4 secondi che rendeva impossibile l’uso conversazionale. Nel 2026 la situazione è cambiata radicalmente, e i due nomi che si contendono la scena sono ElevenLabs e Cartesia. Il primo è il player dominante da tre anni, con un catalogo di voci enorme e una qualità che ha alzato lo standard di mercato. Il secondo è la sfida seria: modello Sonic con latenza record, prezzi aggressivi, un approccio più “developer first”.

Ho passato due settimane a testarli su cinque script italiani reali, quelli che un content creator o uno studio di produzione affronta ogni settimana. La tesi di questo confronto è netta: non c’è un vincitore assoluto. C’è un vincitore per la produzione creativa e un vincitore per l’infrastruttura conversazionale. Vi spiego perché, con numeri, esempi e opinioni scomode.

Come ho testato le due voci AI italiane

Ho preparato cinque script che coprono i casi d’uso reali del mercato italiano: un episodio pilota di podcast news da 4 minuti, una lezione di e-learning per un corso di project management, un IVR (menù telefonico) per un centralino aziendale, uno spot pubblicitario da 30 secondi per un brand di food, e un video tutorial software da 90 secondi. Per ogni script ho generato l’audio con entrambi i sistemi usando le voci italiane native disponibili, senza voice cloning per mantenere il confronto equo sulle librerie stock.

I criteri di valutazione erano cinque: naturalezza della prosodia italiana (accento, ritmo, pause), latenza di generazione, ricchezza del catalogo voci in italiano, opzioni per sviluppatori via API, prezzo effettivo per uso professionale. Ho fatto ascoltare i risultati in cieco a tre professionisti del settore: una speaker radiofonica, un sound designer di uno studio milanese, uno sviluppatore che integra TTS in un centralino cloud. Le loro reazioni hanno confermato in parte quello che sospettavo.

ElevenLabs: il re della produzione creativa

ElevenLabs resta il punto di riferimento quando la voce serve per un prodotto finito: podcast, audiolibri, spot, video corporate. Il motivo è semplice: la naturalezza in italiano ha fatto un salto enorme con il modello Multilingual v3, e le voci del catalogo “Voice Library” italiane sono oggettivamente eccellenti. Sulla lettura del pilota podcast, la voce femminile “Giulia” gestiva correttamente le pause tra i blocchi tematici, cambiava intonazione tra la notizia e il commento, e non inciampava sui nomi propri stranieri.

Sullo spot pubblicitario, la resa è stata la più impressionante. Cambio di ritmo tra tagline e claim, emozione vera sulla frase di chiusura, quel tocco di “sorriso nella voce” che nei brief creativi si chiede sempre e quasi mai arriva. La speaker radiofonica che ha ascoltato in cieco ha detto: “questa è una collega, non un software”. Non capita spesso.

I difetti ci sono. La latenza in modalità standard resta sui 700-900 ms per frase, che va bene per produzione ma non per conversazione real-time. Il pricing è aggressivo verso l’alto: il piano Creator a 22 dollari al mese offre 100.000 caratteri, il Pro a 99 dollari ne offre 500.000, ma per progetti seri si arriva rapidamente al piano Scale o custom enterprise. La azienda ElevenLabs ha spinto molto sul B2C creator, meno sull’infrastruttura B2B a basso costo.

Cartesia: la sfida sulla latenza e sull’infrastruttura

Cartesia è arrivata sul mercato con un approccio diverso. Il modello Sonic è stato progettato per la latenza bassa, non per la resa cinematografica. Sul test IVR e sul tutorial software è stato dove ha dato il meglio: 90 ms di latenza dichiarata, che nel mio benchmark reale sono diventati 130-180 ms, un ordine di grandezza sotto ElevenLabs. Per un centralino cloud o un agente vocale conversazionale, questa è la differenza tra “utilizzabile” e “innaturale”.

Sulla naturalezza italiana Cartesia è cresciuta molto nell’ultimo anno, ma parte da più indietro. Sul pilota podcast le pause tra frasi erano meccaniche, l’intonazione delle domande finiva un po’ piatta, e sui nomi propri stranieri l’accento inciampava. Il sound designer milanese ha notato subito: “va bene per un IVR bancario, non per un podcast Sky”. Il giudizio è duro ma centrato.

Il pricing di Cartesia è il vero argomento di forza per chi costruisce prodotti. Il piano Pro parte da 49 dollari per 500.000 caratteri, il piano Startup a 299 dollari offre 3 milioni di caratteri con SLA e SSO. L’API è pulita, la documentazione ben curata, il supporto WebSocket per streaming è nativo e stabile. Per uno sviluppatore che deve integrare TTS in un’app conversazionale, è la scelta più razionale.

Test A/B sui 5 script italiani: chi ha vinto cosa

Vediamo i risultati script per script, con giudizio secco. Sul podcast news ElevenLabs ha vinto con distacco netto: intonazione giornalistica corretta, gestione delle pause tra servizi, resa dei nomi propri europei impeccabile. Cartesia era usabile ma non emozionava. Sull’e-learning corso di project management, ElevenLabs ancora avanti ma con margine ridotto: entrambi leggibili per 45 minuti di lezione, ElevenLabs più caldo, Cartesia più didattico.

Sull’IVR centralino, Cartesia ha vinto senza discussione. Latenza dominante, voce neutra perfetta per il contesto, integrazione WebSocket che ha reso il barge-in (interruzione dell’utente) fluido come su un centralino umano. ElevenLabs qui perdeva per la latenza, non per la qualità della voce. Sullo spot pubblicitario 30 secondi ElevenLabs ha stravinto: emozione, ritmo, tagline. Cartesia sembrava una lettura di prodotto, non una promessa di brand.

Sul video tutorial software il verdetto è stato interessante: Cartesia ha vinto per un motivo pratico. La possibilità di rigenerare rapidamente parti dello script con latenza bassa ha permesso al mio team di iterare 4 versioni in un’ora, contro le 4 versioni in un pomeriggio con ElevenLabs. La qualità finale era comparabile, il tempo di produzione no.

Voci disponibili in italiano: catalogo a confronto

Il numero di voci italiane native disponibili è un tema sottovalutato. ElevenLabs ha oggi 47 voci italiane nella Voice Library ufficiale (di cui 12 professionali e 35 community verificate), con età, genere e stile variabili. Trovi voci per news, audiolibro, gaming, ASMR, doppiaggio, corporate. La differenziazione è reale e la qualità delle voci professionali è costantemente alta.

Cartesia offre attualmente 8 voci italiane native più la possibilità di clonare voci custom con qualità premium. Il catalogo è più piccolo, ma le voci disponibili sono state selezionate con criterio: due voci femminili neutre broadcast, due maschili corporate, una voce giovane per social, tre voci custom cloni di talent partner. Per un progetto che ha bisogno di scegliere tra tante voci diverse, ElevenLabs vince. Per un progetto che ha bisogno di UNA voce coerente su volumi alti, Cartesia è sufficiente.

Un esempio concreto italiano: uno studio di produzione a Milano che sta lavorando a una serie di audiolibri per un editore indipendente ha scelto ElevenLabs per il catalogo. Un’azienda di customer service outsourcing di Torino che gestisce 12 centralini per clienti bancari e assicurativi ha scelto Cartesia per la latenza. Entrambe le scelte sono razionali, e portano a risultati opposti in produzione.

API, developer experience e integrazioni

Per chi integra TTS in un prodotto, la developer experience conta quanto la qualità della voce. ElevenLabs ha SDK ufficiali per Python, Node.js, PHP, con documentazione OpenAPI completa e webhook per la generazione asincrona. L’API REST è stabile, il rate limiting è generoso sui piani a pagamento, ma lo streaming WebSocket è arrivato tardi ed è ancora meno maturo di Cartesia.

Cartesia ha costruito l’API pensando allo streaming fin dal giorno uno. WebSocket nativo, protocollo Sonic ottimizzato per latenza sub-100ms, integrazioni ufficiali con LiveKit, Pipecat, Vapi per costruire agenti vocali completi. La documentazione OpenAI resta il gold standard, ma Cartesia è probabilmente la seconda più curata nel settore TTS. Per un team che costruisce un vocal agent conversazionale, questa maturità dell’infrastruttura streaming fa la differenza.

Tabella riassuntiva: ElevenLabs vs Cartesia

Chi vince per cosa: verdetto onesto per scenario

Per content creator, studi di doppiaggio, produzioni podcast, agenzie pubblicitarie: ElevenLabs è la scelta. Il catalogo voci, la resa emotiva, la naturalezza sulla lettura lunga italiana giustificano il costo maggiore. Non ha senso complicarsi la vita con un tool sotto-ottimale per risparmiare 30 dollari al mese quando il valore è nel prodotto finito.

Per team di sviluppo che costruiscono agenti vocali, centralini AI, prodotti conversazionali: Cartesia è la scelta razionale. Latenza, streaming, prezzo su volumi alti, developer experience: sono i quattro parametri che contano per l’infrastruttura, e Cartesia li vince tutti. La differenza di naturalezza qui è marginale rispetto al valore ingegneristico.

Per PMI italiane con casi d’uso ibridi (parte marketing, parte customer service): la risposta più onesta è “entrambi”. Costa poco tenere due abbonamenti entry-level e usare ciascuno dove eccelle. È lo stesso motivo per cui in studio si tengono microfoni diversi per voce e strumento: non esiste il tool universale, esistono strumenti specializzati.

La mia opinione netta è questa: chi vi dice che uno dei due è “meglio in assoluto” non ha testato davvero. ElevenLabs ha vinto la partita creativa, Cartesia sta vincendo la partita infrastrutturale, e nei prossimi 18 mesi vedremo se ElevenLabs recupererà sulla latenza o se Cartesia recupererà sulla naturalezza. Nel frattempo, scegliete in base al vostro caso d’uso reale, non alla narrativa di mercato.

Ho iniziato questo test scettica sull’idea che “tanto sono uguali”. Ne esco convinta che siamo davanti a due prodotti maturi, con filosofie diverse, che coprono due bisogni diversi del mercato italiano dell’audio AI. Un anno fa la scelta era povera. Oggi è ricca. E per chi lavora ogni giorno con la voce, è una notizia bellissima.