In Gran Bretagna si sta utilizzando un'intelligenza artificiale vocale del XXI secolo su una linea telefonica del 1972.

Tre numeri di una rete progettata per telefoni a disco

La Gran Bretagna sta costruendo un'intelligenza artificiale vocale di livello mondiale e la sta instradando tutta attraverso una banda di frequenza progettata per uno scambio di rame nell'anno Il Padrino è stato rilasciato. Il costo è sostenuto da ogni azienda e da ogni cittadino che parlerà con una segreteria telefonica nel prossimo decennio.

Una rete progettata per i telefoni in bachelite.

Il codec si chiama G.711. Campiona la voce umana 8.000 volte al secondo e scarta tutto ciò che è al di sopra di circa 3,4 kHz. Questo standard è stato definito quando la casa media britannica aveva un singolo telefono a disco collegato a una scatola di legno sul muro.

Nel 2026, rimane ancora il codec di fatto della rete telefonica pubblica commutata (PSTN) e il minimo comune denominatore della telefonia nel Regno Unito. Secondo i dati di Openreach, è il formato in cui la tua chiamata verrà con ogni probabilità transcodificata nel momento in cui si connette a un operatore, anche se il tuo softphone, le tue cuffie e il tuo telefono sono in grado di gestire formati nettamente migliori.

La Gran Bretagna sta facendo qualcosa di veramente strano. Stiamo sviluppando un'intelligenza artificiale vocale di livello mondiale (modelli linguistici complessi che ragionano in tempo reale, trascrittori addestrati su centinaia di migliaia di ore di parlato ad alta fedeltà, sintesi vocale neurale che "respira") e stiamo instradando il tutto attraverso una banda di frequenza progettata per la larghezza di banda di una centrale telefonica in rame.

Lo spegnimento della rete telefonica pubblica risolve il problema sbagliato

La riforma principale è semplice. L'infrastruttura in rame sta effettivamente fallendo: Ofcom ha registrato un aumento del 45% degli incidenti significativi di resilienza della rete PSTN nel 2024. Il problema è cosa stia effettivamente producendo la migrazione.

Dopo numerosi rinvii, la scadenza fissata dal settore è ora la fine di gennaio 2027. Openreach ha confermato che la data è "definitiva". Il blocco delle vendite sulle vecchie linee è in vigore nella maggior parte delle centrali telefoniche dal 2023 e gli aumenti di prezzo del 20%, poi del 40%, stanno spingendo i clienti rimanenti ad abbandonare la rete entro il 2026.

La sostituzione della rete telefonica pubblica (PSTN) non rappresenta un miglioramento sostanziale della qualità della voce. Si tratta della stessa chiamata, nello stesso formato a banda stretta a 8 kHz, trasportata su IP anziché su cavo in rame. La maggior parte dei servizi voce interamente basati su IP nel Regno Unito utilizza ancora di default il codec G.711 (lo stesso codec del 1972) incapsulato in un pacchetto SIP. I cavi cambiano. L'audio no.

Esistono alternative a banda larga. Il G.722 raddoppia la frequenza di campionamento a 16 kHz. L'EVS arriva fino a 20 kHz e copre l'intera gamma dell'udito umano. Opus (utilizzato in WhatsApp, Teams, Google Meet) si adatta dinamicamente fino a 48 kHz. Nessuno di questi è lo standard predefinito sui trunk SIP del Regno Unito. Nel momento in cui una chiamata attraversa un gateway PSTN, un'interconnessione o un servizio di traduzione numerica, viene transcodificata nuovamente in G.711 e l'aggiornamento svanisce.

I codec a cui è passato il resto del mondo

Nessuna di queste soluzioni è teorica. Ognuna è standardizzata, implementata in produzione e supportata da ogni dispositivo moderno. Il Regno Unito semplicemente non le negozia come standard predefinito sulla rete che sostituirà la PSTN.

Quanto ti costano effettivamente gli 8 kHz

Le obiezioni tecniche alla telefonia a banda stretta non sono di natura estetica. Sono di natura matematica e risultano inaccettabili per le macchine che si trovano all'altro capo di ogni linea.

Il parlato umano contiene informazioni acustiche utili ben al di sopra della frequenza di taglio di 3,4 kHz imposta dallo standard G.711. Le frequenze fondamentali, ovvero l'altezza tonale che permette di riconoscere la propria madre al telefono, si trovano tra gli 85 e i 250 Hz. Le vocali trasportano l'energia da 350 Hz a 2 kHz. Fin qui, tutto compatibile con la rete telefonica pubblica (PSTN).

Le consonanti (le sibilanti, le fricative e le occlusive sorde) vivono tra 1,5 kHz e 4 kHz , con un'energia significativa che si estende fino a 8 kHz e oltre. Sono questi i suoni che distinguono "quindici" da "sedici", "Smith" da "Smyth", "F" da "S" da "Th". Contengono circa il 5% della potenza della voce e contribuiscono all'incirca al 60% della sua intelligibilità.

I moderni modelli di riconoscimento vocale (Whisper, Deepgram Nova, Chirp di Google, i modelli interni utilizzati in tutte le principali piattaforme di intelligenza artificiale vocale) vengono addestrati quasi esclusivamente su audio a 16 kHz. Whisper, per sua stessa natura, richiede un input a 16 kHz. Fornirgli un segnale telefonico a 8 kHz significa sovracampionare dati con perdita di informazioni e presentare al modello una distribuzione di frequenza mai vista prima durante l'addestramento.

Gli ingegneri che sviluppano gli agenti vocali su Twilio segnalano regolarmente un'accuratezza del 50% su un parlato altrimenti chiaro nel momento in cui la chiamata incontra un codec a 8 kHz, mentre lo stesso parlato viene trascritto in modo impeccabile tramite il microfono di un browser. Questo non è un problema che si risolve con un messaggio vocale più intelligente o un modello più grande. È un problema di fisica.

Facile da non notare in una presentazione. Rovinoso in fase di produzione.

L'audio a banda stretta degrada l'intelligenza artificiale vocale almeno su sei fronti: singolarmente fastidiosi, ma nel complesso catastrofici. Il costo economico di questi fallimenti non è teorico; si paga ogni minuto, per ogni chiamata instradata in modo errato, in ogni settore regolamentato che cerca di implementare un assistente vocale sulla rete esistente.

• Allucinazioni. I codec con perdita di dati introducono un rumore metallico e gorgogliante che i modelli di intelligenza artificiale possono interpretare come rumore di fondo o come parlato effettivo. Un oratore non dice nulla; il modello inventa una parola. Ogni errore di trascrizione alimenta quindi il modello linguistico basato sui livelli (LLM), che deve ragionare su un input corrotto.
• Crollo dell'alternanza dei turni. Gli assistenti vocali rilevano quando un chiamante smette di parlare utilizzando segnali acustici ad alta frequenza. Eliminando questi segnali, il sistema VAD (Voice Admission Driver) diventa inaffidabile: l'assistente interrompe, aspetta troppo a lungo o parla sopra il chiamante.
• La funzionalità di identificazione dell'oratore si degrada. L'audio a banda larga è circa due volte più efficace dell'audio a banda stretta per i sistemi di riconoscimento vocale, un aspetto importante per il rilevamento delle frodi, la biometria vocale e la verifica del consenso.
• Perdita di transcodifica. Un agente AI genera Opus a 48 kHz, transcodificato in G.711 al gateway SIP, transcodificato nuovamente in AMR-WB o EVS durante l'handover mobile e arriva come un'approssimazione degradata più volte.
• Discriminazione multilingue e contro le persone con accento particolare. Il filtraggio a banda stretta aggrava le debolezze esistenti del modello per quanto riguarda l'inglese non nativo, i dialetti regionali e le lingue tonali. Gli indizi ad alta frequenza che disambiguano fonemi simili sono proprio ciò che viene scartato per primo.
• La coda economica. Una trascrizione imprecisa causa chiamate IVR instradate in modo errato, un aumento del tempo di gestione di 3-5 minuti, tassi di richiamata di circa il 30% nella conversione della segreteria telefonica in testo e tassi di falsi positivi di circa il 60% nelle pipeline di analisi del sentiment. Quando un contact center dichiara un tasso di deviazione dell'IA del 12%, mentre un concorrente ne dichiara uno del 35%, la risposta molto spesso non risiede nel modello, bensì nel codec.

Perché la situazione del Regno Unito è particolarmente negativa

La Gran Bretagna non è l'unico Paese a gestire una rete telefonica pubblica a banda stretta (PSTN). Tuttavia, ci troviamo in una situazione peggiore rispetto alla maggior parte degli altri Paesi, per ragioni che dipendono interamente dalle scelte politiche.

Il passaggio al nuovo sistema nel Regno Unito è stato posticipato due volte (da dicembre 2025 a gennaio 2027), principalmente a causa di questioni irrisolte relative agli utenti vulnerabili che utilizzano dispositivi di teleassistenza. Tali preoccupazioni sono legittime. Gli 1,8 milioni di britannici che si affidano ad allarmi personali collegati tramite linee in rame meritano di essere trasferiti in sicurezza.

Ma il ritardo è stato usato dall'industria come pretesto per programmare l'aggiornamento più economico possibile, anziché quello più adeguato. Il nuovo servizio digitale è una semplice sostituzione della qualità audio, non un miglioramento. E il quadro normativo considera la qualità audio essenzialmente una questione di preferenza del consumatore.

Devono accadere tre cose, e il tempo stringe.

Lo spegnimento previsto per il 2027 viene gestito come un progetto di ingegneria di rete. Dovrebbe invece essere gestito come un ammodernamento dell'infrastruttura nazionale, con requisiti minimi espliciti per la qualità della voce, perché ciò che verrà specificato ora costituirà il punto di riferimento per i prossimi trent'anni.

1. Impostare la banda larga come predefinita per tutti gli indirizzi IP. Ofcom dovrebbe imporre a ogni servizio voce basato su IP, commercializzato come sostituto della rete telefonica pubblica (PSTN), di negoziare il codec G.722 o superiore come codec preferito, consentendo il G.711 solo come fallback per le interconnessioni legacy. Ogni moderno endpoint SIP lo supporta già. L'ostacolo è l'inerzia commerciale, non la difficoltà ingegneristica.
2. Definisci una tabella di marcia per la banda ultralarga. EVS è già standardizzato, implementato nelle reti mobili di tutto il mondo e rappresenta il punto di arrivo naturale per la qualità della voce su IP. Il Regno Unito dovrebbe fissare un obiettivo (il 2030 è raggiungibile) affinché EVS diventi il codec predefinito per tutti i nuovi servizi voce aziendali.
3. Considerate l'audio telefonico come un'infrastruttura critica. Quando una linea di triage del Servizio Sanitario Nazionale (NHS), un servizio di assistenza telefonica (come il 101) o una linea di assistenza per i sussidi sono sovraccaricate da un codec del 1972 che impedisce alla moderna intelligenza artificiale vocale di comprendere chi chiama, si tratta dello stesso tipo di guasto infrastrutturale di una linea di allarme antincendio che non funziona, solo che è più lento e più diffuso.

Un tetto massimo per l'intero settore dell'intelligenza artificiale vocale nel Regno Unito.

L'audio che arriva a qualsiasi modello vocale viene impostato ai margini della rete, non a livello applicativo. Ogni prodotto di intelligenza artificiale vocale in esecuzione sulla rete telefonica del Regno Unito condivide lo stesso limite, e superarlo è una questione di infrastruttura nazionale, non di fornitore.

Indipendentemente da quale intelligenza artificiale vocale si trovi all'altro capo della linea (Cloudax, l'agente vocale di un hyperscaler, un'altra piattaforma specializzata o il modulo di intelligenza artificiale di un operatore di contact center), ognuna di esse eredita lo stesso audio. L'operatore decide cosa sopravvive al codec; il livello applicativo eredita ciò che rimane.

Ciò rende questo problema particolarmente gestibile. Una rete a banda larga predefinita nel Regno Unito innalzerebbe simultaneamente il livello minimo di tutte le implementazioni di intelligenza artificiale vocale nel paese, senza necessità di coordinamento a livello applicativo. Lo stesso modello di conversione da parlato a testo che raggiunge un'accuratezza dell'88% su G.711, raggiunge regolarmente oltre il 95% su G.722, gratuitamente, non appena la rete smette di degradare la chiamata.

La qualità della voce è una proprietà a livello di rete. È determinato da ciò che offrono gli operatori, da ciò che richiedono gli enti regolatori e dalle impostazioni predefinite incluse negli standard che la Gran Bretagna adotterà durante la migrazione della rete telefonica pubblica (PSTN). Le decisioni che verranno prese nel 2026 definiranno questo limite per la prossima generazione: per ogni prodotto di intelligenza artificiale vocale sviluppato nel Regno Unito, per ogni ente pubblico che ne acquisterà uno e per ogni cittadino che interagirà con esso.

Fuori dal XX secolo del rame. Dentro il XX secolo della proprietà intellettuale.

Lo spegnimento della rete telefonica pubblica (PSTN) avrebbe dovuto rappresentare un'opportunità per proiettare la Gran Bretagna nel XXI secolo della telefonia vocale. Invece, rappresenta un'occasione per uscire dal XX secolo del rame ed entrare nel XX secolo dell'IP, con la qualità audio invariata. Non è sufficiente. Non lo è mai stato.

Man mano che l'intelligenza artificiale vocale diventerà l'interfaccia principale tra i cittadini, i servizi pubblici e le aziende da cui dipendono, il costo di fingere il contrario si misurerà in chiamate fraintese, automazioni fallite, perdita di produttività e un Paese che ha creato un'intelligenza artificiale di livello mondiale per poi paralizzarla all'ultimo momento.