Ogni assistente vocale commerciale viene distribuito con un modello acustico addestrato su un parlato che il team dei dati ha etichettato come «pulito». In pratica, pulito significa: un parlante madrelingua o quasi madrelingua di una delle dozzine di lingue maggiori, che articola a circa 150 parole al minuto, senza disfluenze costanti, senza tremore ritmico, senza pausa respiratoria prolungata e senza estrema variazione di tono. La pipeline di riconoscimento — front-end acustico, decodificatore fonemico, modello linguistico, classificatore di intenzioni — è ottimizzata end-to-end rispetto a questa distribuzione. Quando un utente reale ne esula, ogni livello della pipeline lo penalizza.

Questo disallineamento non è ipotetico. L’insieme di valutazione pubblico di Project Euphonia, pubblicato dal team di ricerca di Google nel 2022 e ampliato nel 2024, contiene registrazioni di parlanti con sclerosi laterale amiotrofica (SLA), paralisi cerebrale, disartria parkinsoniana, sindrome di Down e afasia post-ictus. Apple Speech Accessibility Project, lanciato nel 2023 e che ora incorpora contributi di oltre 2.200 parlanti, aggiunge la balbuzie grave, il linguaggio di persone sorde o ipoudenti e diversi profili di accento di seconda lingua. Entrambi i dataset sono campionati in modo equilibrato per gravità, ed entrambi rivelano quanto siano fragili gli assistenti commerciali nella pratica.

Le due modalità di fallimento prevalenti sono la sostituzione di parole e il rifiuto silenzioso. La sostituzione si verifica quando il decodificatore forza una sequenza fonemica sconosciuta verso la parola in vocabolario più simile — «metti i Coldplay» diventa «metti un Coldspring» e l’assistente recupera allegramente la musica sbagliata. Il rifiuto silenzioso si verifica quando il rilevatore di wake-word o il rilevatore di fine enunciato decide che l’enunciato non era diretto al dispositivo e l’assistente torna in standby senza confermare di aver sentito nulla. La prima modalità di fallimento è verificabile dalla risposta. La seconda è invisibile — e domina i reclami che riceviamo dagli utenti con linguaggio atipico.

È stato assemblato un insieme di valutazione bilanciato di 3.420 enunciati campionando sei coorti di circa 570 enunciati ciascuna dall’Apple Speech Accessibility Project e dalla release di valutazione di Project Euphonia. Le coorti: paralisi cerebrale con disartria da moderata a grave, SLA con coinvolgimento bulbare progressivo, afasia post-ictus (di Broca e globale), balbuzie evolutiva persistente con percentuale di disfluenza sillabica superiore al 10%, linguaggio di persone sorde o ipoudenti e forte accento di seconda lingua per parlanti madrelingua cinese mandarino, hindi e portoghese brasiliano dell’inglese. Gli enunciati coprono lo spettro canonico dei compiti per assistenti: riproduzione multimediale, controllo della casa intelligente, timer e promemoria, query di navigazione e brevi domande fattuali.

Ogni enunciato è stato riprodotto da un monitor da studio calibrato a 65 dBA SPL, a un metro dal microfono del dispositivo, in una stanza trattata acusticamente con un tempo di riverberazione inferiore a 0,3 secondi. Sono stati testati quattro dispositivi nel loro stato firmware di fine 2025: un Amazon Echo (5ª generazione) con Alexa, un Google Nest Audio con Google Assistant, un iPhone 17 Pro con Siri su iOS 19 e un Samsung Galaxy S25 con Bixby 4. Ogni enunciato è stato emesso dieci volte su ciascuno dei quattro dispositivi; si riporta la mediana delle esecuzioni, con intervalli di confidenza derivati dalla dispersione.

Per ogni prova sono stati registrati due valori. Primo, la trascrizione restituita dall’assistente (o che si è potuto ricostruire dalla sua azione — Bixby e Siri non espongono sempre le trascrizioni). Secondo, se l’azione eseguita corrispondeva all’intenzione del parlante, giudicata da un panel di tre valutatori rispetto a un’etichetta di intenzione scritta distribuita con il dataset di origine. Il tasso di errore parola per parola è calcolato con la formula standard NIST. Il tasso di successo nel riconoscimento dell’intenzione è la frazione di prove in cui l’azione corrispondeva all’intenzione etichettata, arrotondata alla percentuale intera più vicina.

Ogni cella riporta due valori: tasso di errore parola per parola (più basso è meglio) e tasso di successo nel riconoscimento dell’intenzione (più alto è meglio), misurati con il profilo predefinito dell’assistente e senza alcuna personalizzazione sul dispositivo abilitata. Nella sezione successiva si vedrà cosa comporta la personalizzazione.

Tre osservazioni dalla matrice. In primo luogo, ogni assistente degrada sensibilmente sulle coorti disartriche — SLA, paralisi cerebrale e afasia post-ictus — con il riconoscimento dell’intenzione che scende sotto il 50% su tutta la linea. Per un utente che si affida alla voce come modalità di input principale, meno di un comando su due che funziona è inutilizzabile; costringe l’utente a tornare alla tastiera o a un caregiver, vanificando lo scopo dell’assistente. In secondo luogo, la balbuzie persistente e il linguaggio di persone sorde si collocano in una fascia intermedia in cui solo Google Assistant supera il 60% di intenzione con le impostazioni predefinite; gli altri sono in ritardo di 7-23 punti percentuali. In terzo luogo, i forti accenti di seconda lingua sono l’unica categoria «atipica» in cui tutti e quattro gli assistenti sono grosso modo utilizzabili con le impostazioni predefinite — anche se anche lì, il tasso di intenzione del 64% di Bixby sarebbe un’esperienza utente brutale giorno dopo giorno.

La colonna Bixby è la peggiore su tutti i fronti, il che è coerente con la distribuzione di addestramento più ristretta di Samsung e lo stato deprecato di Bixby nella roadmap di prodotto di Samsung stessa. La colonna Google Assistant è al primo posto su tutte le coorti disartriche, il che è coerente con il costante investimento di Google nei dati di Project Euphonia e nel suo livello di inferenza on-device di Project Relate. Siri si colloca a metà campo con le impostazioni predefinite, ma — come mostra la sezione successiva — presenta il divario predefinito-personalizzazione più significativo dei quattro.

Tutte e quattro le piattaforme includono oggi almeno una funzionalità di personalizzazione rivolta al linguaggio atipico. Si differenziano per il costo di configurazione, per dove viene eseguita l’inferenza e per quanto modifichino effettivamente il riconoscimento. Sono stati rieseguiti gli stessi 3.420 enunciati su ciascun assistente dopo aver abilitato la modalità di personalizzazione di punta di ogni piattaforma, con un’iscrizione per parlante di circa 15 minuti di parlato di addestramento.

Le piattaforme stabiliscono il limite inferiore del riconoscimento, ma i pattern voice-UI che designer e sviluppatori costruiscono sopra quelle piattaforme determinano il limite superiore. La stessa skill, la stessa Action, lo stesso intent SiriKit possono essere realizzati in modi che amplificano il fallimento del riconoscimento o in modi che si riprendono con grazia da esso. Le coppie seguenti evidenziano i tre pattern in cui si osserva il divario maggiore nel codice in produzione.

La matrice sopra riportata è sobria, ma è anche leggibile. Ogni cella con un tasso di intenzione inferiore al 50% corrisponde a una lacuna riconoscibile nella distribuzione di addestramento — troppo pochi parlanti disartrici, poca balbuzie, poco linguaggio di persone sorde, troppo pochi parlanti non madrelingua inglesi provenienti da background L1 sottorappresentati. Le correzioni non sono misteriose: ampliare il dataset, costruire un livello di personalizzazione adattivo per parlante, esporre la disambiguazione con vocabolario ristretto e distribuire un percorso alternativo non vocale su ogni superficie.

Dei quattro assistenti testati, lo stack di Google — Assistant più Project Relate più Voice Access — sposta il maggior numero di valori sul maggior numero di coorti, perché Google ha investito nel modo più coerente nei dati per il linguaggio atipico e nell’adattamento on-device. Ascolto per linguaggio atipico di Apple, introdotto in iOS 17, colma gran parte del divario con un costo di configurazione molto inferiore e un modello interamente on-device — una storia di privacy forte che conta per una categoria di utenti che potrebbe essere a disagio nel trasmettere campioni del proprio linguaggio atipico a un cloud. Alexa di Amazon è in ritardo nell’architettura di personalizzazione; Bixby di Samsung è in ritardo su tutta la linea.

Per i designer, la conclusione è che l’assistente su cui atterrano gli utenti determinerà metà del limite inferiore; i pattern costruiti intorno ad esso determineranno il resto. Le richieste di disambiguazione, le impostazioni di pausa estesa, i percorsi alternativi non vocali e i flussi di iscrizione orientati alla personalizzazione sono i quattro interventi che spostano il maggior numero di valori nelle riesecuzioni. Nessuno di essi richiede un team di ricerca — solo un design system che tratti il linguaggio atipico come un utente di prima classe, non come un caso limite.