I 6 Migliori Framework per Agenti Vocali Open Source del 2026 (Classifica)

I 6 Migliori Framework per Agenti Vocali Open Source del 2026 (Classifica)

Lo scorso trimestre abbiamo messo in produzione tre agenti vocali telefonici con Pipecat, poi ne abbiamo ricostruito uno su LiveKit Agents quando il cliente è passato da 20 a 400 chiamate simultanee. Entrambi sono framework per agenti vocali open source. Nessuno dei due è "il migliore". Sono adatti a compiti diversi, e scegliere quello sbagliato costa settimane di lavoro.

Questa classifica si basa su ciò che funziona davvero in produzione, non su ciò che suona bene in un README. Abbiamo raccolto i numeri live di GitHub il 14 luglio 2026: Pipecat è a 13,416 stelle, LiveKit Agents a 11,356 e TEN Framework a 10,898. Le stelle non raccontano tutta la storia, quindi abbiamo valutato anche l'attività dei commit, il supporto alla telefonia, i termini di licenza e la tenuta di ciascun framework sotto volumi di chiamate reali.

Risposta rapida: Per la maggior parte dei team nel 2026, Pipecat è il framework per agenti vocali open source più solido grazie alla sua ampia libreria di integrazioni e allo sviluppo quasi quotidiano. LiveKit Agents vince su scala e telefonia nativa, TEN Framework sull'orchestrazione multimodale a grafo, e Bolna nel mettere online un agente telefonico in un pomeriggio.

Se preferisci acquistare un prodotto già pronto piuttosto che assemblarne uno, i nostri confronti tra piattaforme gestite come ElevenLabs, Vapi e Synthflow e Retell AI vs Vapi vs Bland sono un punto di partenza migliore. Sei nuovo in questo settore? Inizia da cos'è davvero un agente vocale AI.

Come abbiamo classificato questi framework

Abbiamo valutato ogni framework su cinque criteri da cui dipende la riuscita di un progetto reale: quanto è attivo lo sviluppo (commit negli ultimi 90 giorni), l'ampiezza delle integrazioni STT/LLM/TTS, il supporto alla telefonia (può rispondere a un numero di telefono reale?), i termini di licenza e il comportamento sotto concorrenza. Ecco la shortlist in sintesi.

1. Pipecat — la scelta migliore a tutto tondo

Pipecat, sviluppato dal team dietro Daily, è un framework Python che modella una conversazione come una pipeline: l'audio entra, attraversa il riconoscimento vocale (speech-to-text), un modello linguistico e la sintesi vocale (text-to-speech), e l'audio esce di nuovo. Questo modello mentale è facile da seguire, e ha raggiunto una v1.0 stabile ad aprile 2026.

Ciò che lo distingue è la libreria di integrazioni. Deepgram, AssemblyAI, OpenAI, Gemini, Cartesia, ElevenLabs e decine di altri sono già collegati, quindi cambiare fornitore TTS è una modifica di una riga anziché una riscrittura. La telefonia funziona tramite Twilio, Daily o Telnyx. Con 13,416 stelle e commit quasi ogni giorno, è anche il framework con più slancio di tutta questa lista.

Il compromesso: dato che Pipecat fornisce i componenti anziché un agente già pronto, la logica di orchestrazione resta a tuo carico. Non c'è un builder drag-and-drop. Si scrive Python. Per un team che sa già programmare, questo è un vantaggio, non un limite.

Scegli questo se: vuoi una base neutrale rispetto ai vendor, pronta per la produzione, con il supporto modelli più ampio, e sei a tuo agio a scrivere Python. È il nostro punto di partenza predefinito per la maggior parte dei progetti clienti.

2. LiveKit Agents — pensato per scalabilità e realtime

LiveKit Agents adotta un approccio diverso. Invece di una pipeline lineare, il tuo agente entra in una stanza come partecipante tramite WebRTC, la stessa tecnologia dietro le chiamate in stile Zoom. Questa architettura è il motivo per cui eccelle quando servono bassa latenza e molte conversazioni simultanee.

La grande novità del 2026 è la telefonia. LiveKit ha rilasciato SIP nativo e numeri di telefono, quindi le chiamate in entrata e in uscita non hanno più bisogno di un bridge Twilio nel mezzo. Include anche supporto nativo per la OpenAI Realtime API e, a partire dalla linea 1.5.x, strumenti nativi Model Context Protocol e gestione adattiva delle interruzioni. Puoi trovare i dettagli nella documentazione di LiveKit Agents. Se vuoi capire meglio la realtime API che avvolge, trattiamo separatamente la Realtime API di OpenAI per gli agenti vocali.

Poiché gira sul media server WebRTC open source di LiveKit, puoi ospitare l'intero stack in autonomia. La curva di apprendimento è più ripida rispetto a Pipecat, e il modello mentale basato su stanze e partecipanti richiede un po' di tempo per essere assimilato.

Scegli questo se: ti aspetti concorrenza reale, vuoi telefonia nativa senza bridge, oppure stai costruendo un agente OpenAI Realtime che deve reggere picchi di traffico.

3. TEN Framework — multimodale e basato su grafi

TEN Framework (Transformative Extensions Network), sostenuto da Agora, descrive il tuo agente come un grafo di nodi: STT, LLM, strumenti, memoria, visione. Componi il grafo in un workflow builder, e TEN lo esegue. È l'opzione più flessibile di questa lista per tutto ciò che va oltre la semplice voce, e il suo core in C++ è ottimizzato per l'audio a bassa latenza.

È anche il framework con la gamma più ampia di linguaggi supportati di tutta la lista, con estensioni in C, Go, Python, JavaScript e TypeScript, oltre a connettori già pronti per Dify e Coze. La pagina di Agora dedicata a TEN Framework è la panoramica più chiara di ciò che può fare.

Due avvertenze. Primo, la licenza è ibrida: la maggior parte del framework è Apache-2.0, ma con restrizioni aggiuntive su alcune cartelle, quindi leggi il file LICENSE prima di rilasciare in produzione a scopo commerciale. Secondo, il trasporto in tempo reale si appoggia alla rete di Agora, il che significa un Agora App ID e, superato il livello gratuito, costi d'uso di Agora.

Scegli questo se: stai costruendo un agente multimodale (voce più visione o avatar), apprezzi la composizione basata su grafi, o vuoi le prestazioni audio più spinte disponibili nell'open source.

4. Bolna — la strada più rapida verso un agente telefonico

Bolna è più piccolo (695 stelle) e ha scelte progettuali più decise rispetto ai primi tre, e proprio questo è il suo punto di forza. È telephony-first. Dove gli altri framework ti fanno assemblare la parte chiamate da zero, Bolna la include già: Twilio per le chiamate globali, Plivo ed Exotel per l'India, e trunk SIP personalizzati, tutto configurato in una definizione dell'agente in stile JSON anziché in codice.

Questa configurazione basata su file significa che puoi avere un agente telefonico in entrata o in uscita che risponde a chiamate reali più rapidamente di quasi ogni altra opzione qui presente. Dietro le quinte orchestra provider ASR, LLM e TTS via websocket, quindi scegli comunque tu i tuoi modelli. Lo sviluppo è rimasto attivo fino alla metà del 2026.

Il prezzo di questa velocità è una community più piccola e meno integrazioni rispetto a Pipecat o LiveKit. Se incontri un caso limite, è probabile che tu sia la prima persona a segnalare quel problema. Per progetti incentrati sulla telefonia, confrontalo con le opzioni del nostro confronto sulla telefonia per agenti vocali.

Scegli questo se: il tuo caso d'uso è incentrato sulle chiamate telefoniche (promemoria appuntamenti, qualificazione in uscita, supporto in entrata) e vuoi saltare del tutto l'infrastruttura di telefonia.

5. FastRTC — l'opzione leggera per la prototipazione

FastRTC, del team di Hugging Face e Gradio, non è un framework completo per agenti, e questo è proprio il punto. È una libreria Python per audio e video in tempo reale su WebRTC o websocket. Porti tu i tuoi STT, LLM e TTS, e FastRTC gestisce il trasporto in streaming con poche righe di codice.

Per una proof of concept, una demo o uno spike di ricerca, questo minimalismo è un dono. Puoi mettere in piedi un prototipo parlante in un pomeriggio senza vincolarti alle convenzioni di un framework pesante. Si integra naturalmente con l'ecosistema Hugging Face, quindi i modelli open sono facili da collegare.

Il rovescio della medaglia è che sei responsabile di tutto ciò che un framework normalmente ti darebbe già pronto: rilevamento dei turni di conversazione, gestione delle interruzioni, telefonia, gestione dello stato. Si adatta magnificamente verso il basso e con difficoltà verso l'alto.

Scegli questo se: stai prototipando, insegnando o costruendo una demo da browser, e vuoi il massimo controllo con il minimo overhead di framework.

6. Vocode — storicamente importante, con una riserva sulla manutenzione

Vocode ha contribuito a definire l'intera categoria. Il suo design modulare STT/LLM/TTS e la telefonia integrata con Twilio e Vonage lo hanno reso uno dei primi framework vocali open source davvero utilizzabili, e con 3,773 stelle compare ancora in moltissimi tutorial.

Ecco la parte onesta, ed è il motivo per cui è ultimo in classifica: il nucleo open source si è fermato. L'ultimo commit su vocode-core risale a novembre 2024, e il repository conta appena due issue aperte, un segnale che di solito indica che l'attenzione si è spostata verso il prodotto hosted dell'azienda piuttosto che verso un backlog in salute. Il codice funziona ancora, e il design merita di essere studiato, ma costruiresti su una base che nessuno sta più patchando attivamente.

Scegli questo se: stai studiando l'architettura degli agenti vocali, mantieni un progetto Vocode esistente, oppure vuoi specificamente i suoi pattern di design e accetti di dover mantenere tu stesso la base.

Altri strumenti da conoscere

Alcuni strumenti restano fuori dalla classifica ma meritano di essere sul tuo radar:

• OpenAI Agents SDK (oltre 27,900 stelle) include un'estensione per pipeline vocali. È un SDK per agenti generico più che voice-first, ma è una scelta ragionevole se ci hai già standardizzato il tuo stack.
• Gabber è un framework multimodale più recente per agenti che vedono, sentono e parlano, pensato per casi d'uso con schermo e fotocamera.
• Jambonz è un backbone di telefonia open source. Non costruisce il "cervello" dell'agente, ma è un modo di livello carrier per collegare qualsiasi framework alle reti telefoniche reali.
• Rasa (oltre 21,000 stelle) resta il peso massimo per il dialogo enterprise e l'NLU su testo e voce, anche se è più complesso da gestire di tutto ciò che abbiamo visto finora.
• Ultravox è un modello linguistico vocale veloce, non un framework di orchestrazione, quindi trattalo come un componente collegabile piuttosto che come un concorrente.

Cosa useremmo davvero per un progetto cliente

In Techsy costruiamo agenti vocali per clienti B2B, quindi ecco la realtà poco patinata dietro questa classifica.

Il nostro stack predefinito è Pipecat con Deepgram Nova-3 per lo speech-to-text, GPT-4o-mini come modello linguistico e Cartesia Sonic per il text-to-speech. Una volta calibrato il rilevamento dei turni, la latenza voce-voce si assesta di solito tra 0.7 e 1.1 secondi, abbastanza vicina a una conversazione umana da far smettere gli interlocutori di notarla. Se sostituisci uno solo di questi componenti con un modello più lento, lo senti immediatamente.

La telefonia è dove i progetti si complicano. Abbiamo usato due schemi in produzione: un trunk SIP Twilio collegato al SIP nativo di LiveKit per supporto in entrata ad alto volume, e la gestione Plivo integrata di Bolna quando un cliente aveva bisogno solo di chiamate promemoria in uscita. La strada LiveKit costa più ore di ingegneria all'inizio, ma regge quando arrivano 300 chiamate nello stesso minuto. Bolna ti mette online entro venerdì.

I conti del self-hosting traggono in inganno molti. Far girare STT e TTS in locale su una singola GPU A10G costa all'incirca $0.50–$0.90 all'ora, che arrivi o meno una sola chiamata. Le API a consumo per minuto come Deepgram e Cartesia non costano nulla da ferme, ma la spesa sale rapidamente oltre qualche migliaio di minuti al mese. Sotto circa 15,000 minuti al mese, le API vincono quasi sempre, ed è quello che consigliamo alla maggior parte dei clienti. Preferiamo LiveKit a Pipecat soprattutto quando la concorrenza supera qualche centinaio di chiamate simultanee.

Se per te la questione build-vs-buy è ancora aperta, analizziamo tutti i costi nella nostra guida costruire o acquistare un agente vocale AI. E se preferisci che sia un team a occuparsi di latenza, telefonia e scalabilità al posto tuo, è esattamente quello che facciamo nella nostra pratica sugli agenti vocali di Techsy.

Come scegliere in un minuto

Salta la paralisi da analisi. Ecco la decisione in punti:

• Vuoi la scelta predefinita più sicura e generica: Pipecat.
• Hai bisogno di concorrenza reale o telefonia nativa: LiveKit Agents.
• Stai andando multimodale (voce più visione o avatar): TEN Framework.
• Ti serve un agente telefonico live entro questa settimana: Bolna.
• Stai prototipando o insegnando: FastRTC.
• Preferisci comprare piuttosto che costruire: una piattaforma gestita come Vapi, Retell o Synthflow, non un framework.

Domande frequenti

Cos'è un framework per agenti vocali open source?

È una codebase auto-ospitabile che collega speech-to-text, un modello linguistico e text-to-speech in modo che un software possa sostenere una conversazione parlata. A differenza delle piattaforme gestite, la fai girare sulla tua infrastruttura, scegli tu i modelli e paghi solo i servizi sottostanti anziché un margine per minuto.

Quale framework per agenti vocali open source ha la latenza più bassa?

TEN Framework guida sulle prestazioni grezze della pipeline audio grazie al suo core in C++, ma in pratica la latenza di rete e del modello domina il totale. Uno stack Pipecat o LiveKit ben calibrato su un modello veloce raggiunge di norma 0.7-1.1 secondi voce-voce, che eguaglia TEN nella maggior parte dei deployment reali.

L'open source è davvero più economico di Vapi o Retell?

Non sempre. L'open source elimina il margine per minuto della piattaforma, ma ti fai carico di costi di ingegneria, hosting e manutenzione. Sotto qualche migliaio di minuti di chiamata al mese, una piattaforma gestita è di solito più economica se conti anche il tempo degli sviluppatori. Oltre decine di migliaia di minuti, il self-hosting di un framework prende il sopravvento.

Questi framework possono rispondere a chiamate telefoniche reali?

Sì. Pipecat si collega tramite Twilio, Daily o Telnyx; LiveKit Agents include SIP nativo e numeri di telefono; Bolna ha Twilio, Plivo ed Exotel integrati; e Vocode supporta Twilio e Vonage. FastRTC è orientato al browser e richiede un bridge esterno come Jambonz per la rete telefonica.

Serve competenza in machine learning per usarli?

No. Servono competenze di ingegneria del software, per lo più Python. Il lavoro pesante (trascrizione, ragionamento, sintesi vocale) è gestito dai modelli che colleghi tramite API. Stai orchestrando servizi, non addestrando modelli, a meno che tu non scelga deliberatamente di ospitare in autonomia modelli open-weight.

Qual è il framework migliore per un principiante?

Pipecat, perché il suo modello a pipeline è il più semplice da capire e la sua documentazione ed esempi sono i più completi. FastRTC è una buona seconda scelta se vuoi partire da qualcosa di ancora più piccolo e capire il livello di trasporto grezzo prima di adottare un framework completo.

I framework vocali open source sono pronti per la produzione nel 2026?

I primi tre sì. Pipecat ha raggiunto la v1.0, LiveKit Agents è sulla linea 1.5.x, e TEN Framework alimenta deployment commerciali tramite Agora. Il rischio principale non sono i framework in sé, ma lo stato di manutenzione dei progetti più piccoli, motivo per cui abbiamo segnalato il nucleo fermo di Vocode.

In cosa si differenzia da una API TTS come ElevenLabs?

Una API TTS trasforma solo il testo in voce, che è un singolo componente. Un framework per agenti vocali orchestra l'intero ciclo: ascolta, trascrive, invia il testo a un modello linguistico, riceve una risposta e la pronuncia, gestendo al contempo interruzioni e turni di conversazione. È il framework a chiamare l'API TTS, non il contrario.

Chi è l'autore

Mert Batur è Co-Founder di Techsy.io, dove il team costruisce agenti AI, sistemi di automazione e pipeline voce/SDR per clienti B2B. Scrive sullo stack di strumenti LLM che il team Techsy utilizza realmente in produzione. Connettiti su LinkedIn.