Che cos’è PersonaPlex e perché è importante
PersonaPlex è un modello di linguaggio vocale sviluppato da NVIDIA che, grazie ai suoi 7 miliardi di parametri, è in grado di gestire l’audio in ingresso e l’audio in uscita contemporaneamente, una modalità nota come full‑duplex. Questo permette all’assistente di essere interrotto, di inserire “mh‑mh” e di rispondere senza attendere che l’utente termini la frase.
Il modello è stato pubblicato il 15 gennaio 2026, con il codice rilasciato sotto licenza MIT e i pesi distribuiti sotto la NVIDIA Open Model License. L’obiettivo è sostituire la tradizionale catena a tre blocchi (riconoscimento, generazione del testo, sintesi) con un unico network neurale che mantiene aperti i flussi audio simultaneamente.
Origini e differenze rispetto a Moshi
Il concetto di full‑duplex proviene dalla telefonia: un walkie‑talkie è half‑duplex, mentre il telefono è full‑duplex. I tradizionali assistenti vocali operano in modalità half‑duplex, introducendo ritardi in ogni fase della catena.
PersonaPlex nasce dal modello Moshi, presentato nel 2024 dal laboratorio francese Kyutai. Moshi già consentiva l’ascolto e la risposta simultanei, ma mancava la controllabilità. Con PersonaPlex è possibile definire il ruolo dell’assistente tramite un text prompt e scegliere o estrarre la voce da una breve prova audio (voice prompt).
Come provare PersonaPlex
Per scaricare i pesi è necessario accedere a Hugging Face, accettare la licenza NVIDIA, creare un account e generare un token. L’esecuzione richiede una GPU NVIDIA con almeno 24 GB di VRAM, tipicamente una A100, e un ambiente Linux.
Il modello è limitato all’inglese; non è ancora disponibile per altre lingue.
Contesto di rilascio e popolarità
Un post virale sui social ha presentato PersonaPlex come una pubblicazione “di questi giorni”, ma i fatti mostrano che il paper scientifico è stato caricato su arXiv il 14 gennaio 2026, mentre il repository GitHub riporta la data del 15 gennaio e l’ultimo commit risale al 2 marzo. A ottobre 2026 il repository conta 11 648 stelle e 1 585 fork, dimostrando un reale interesse della community.
Il merito di aver realizzato un modello capace di ascoltare e parlare simultaneamente va comunque a Moshi, che nel 2024 già raggiungeva una latenza teorica di 160 ms e pratica di 200 ms, come descritto nel Moshi‑paper.
Architettura e funzionamento interno
PersonaPlex utilizza due flussi paralleli – dual‑stream – per audio dell’utente (ingresso) e audio dell’agente (uscita). L’audio è trasformato in token da Mimi, il codec audio di Moshi a 24 kHz. Due transformer (temporale e di profondità) basati sul modello Helium di Kyutai elaborano i token in tempo reale.
La novità è il Hybrid Prompting, che combina:
- Voice Prompt: embedding audio che cattura timbro e stile di parlata.
- Text Prompt: istruzione in lingua naturale che definisce ruolo, contesto e regole di conversazione.
Il repository include 18 voci predefinite, suddivise in “natural” (NATF0‑3 femminili, NATM0‑3 maschili) e “varied” (VARF0‑4, VARM0‑4). Le prompt di esempio coprono tre scenari: insegnante amichevole, servizio clienti aziendale e conversazione informale.
Dati di addestramento
Il dataset è prevalentemente in inglese e sintetico:
- 7 303 conversazioni reali dal Fisher English Corpus (1 217 h).
- 39 322 conversazioni sintetiche di assistenza (410 h) con prompt docente.
- 105 410 conversazioni sintetiche di customer service (1 840 h) con dettagli aziendali.
I testi sintetici provengono da Qwen3‑32B e GPT‑OSS‑120B, le voci sono generate con sintesi vocale. L’intero training è durato sei ore su otto GPU A100, con meno di 5 000 ore di dati mirati per l’apprendimento delle istruzioni di ruolo.
Risultati dei benchmark
Il modello è stato valutato su due benchmark pubblici:
- Full‑Duplex‑Bench: misura la dinamica della conversazione.
- Service‑Duplex‑Bench: 350 domande tipiche di customer service.
Tabella di performance (valori più alti sono migliori, eccetto latenza):
| Modello | Sprecherwechsel | Unterbrechungen | Pausen | Durchschnitt | Latenz Wechsel |
|---|---|---|---|---|---|
| PersonaPlex | 90,8 | 95,0 | 60,6 | 82,1 | 0,170 s |
| Moshi | 94,1 | 100,0 | 1,8 | 65,3 | 0,265 s |
| Freeze‑Omni | 33,6 | 86,7 | 43,9 | 54,7 | 0,953 s |
| Gemini Live | 65,5 | 89,1 | 71,8 | 75,5 | 1,301 s |
Per la fedeltà al ruolo (valutata da GPT‑4o su scala 0‑5) PersonaPlex ottiene 4,29 su Full‑Duplex‑Bench e 4,40 sul test di customer service, mentre Moshi segna 0,77 e 1,75 rispettivamente.
Interpretazione dei risultati
Il confronto mostra che Moshi supera PersonaPlex nella capacità di cambiare speaker e di gestire le interruzioni, ma fatica con le pause. Gemini Live, invece, gestisce meglio le pause e ottiene punteggi più alti nel test di customer service. PersonaPlex eccelle nella latenza media (170 ms per lo switch e 240 ms per l’interruzione) grazie all’architettura a doppio flusso.
È importante notare che la valutazione della fedeltà al ruolo è stata effettuata dagli stessi autori di PersonaPlex, quindi rimane una nota interna fino a quando terze parti non ripeteranno il test con le stesse 350 domande.
Limiti attuali
Le metriche sono tutte basate su dati e test in lingua inglese; non esistono risultati per il tedesco o altre lingue, poiché il modello non è stato addestrato né valutato in queste lingue.
Le principali sfide per le future versioni di PersonaPlex includono:
- Espansione del supporto multilingue.
- Integrazione di strumenti esterni (API, database).
- Riduzione dei costi hardware per rendere la tecnologia più accessibile.
Open source? Costi e licenze
Il codice è rilasciato sotto licenza MIT su GitHub, ma i pesi sono distribuiti con la NVIDIA Open Model License, una licenza proprietaria che impone restrizioni sull’uso commerciale. Quindi, sebbene il progetto sia “open” dal punto di vista del codice, l’accesso completo al modello richiede l’accettazione di termini specifici e, in alcuni casi, può comportare costi legati all’hardware necessario.
Conclusioni
PersonaPlex rappresenta un passo significativo verso assistenti vocali più fluidi, eliminando la catena tradizionale di riconoscimento‑generazione‑sintesi. Tuttavia, le sue prestazioni sono competitive ma non superiori in tutti gli aspetti rispetto a soluzioni esistenti come Moshi o Gemini Live. La vera sfida futura sarà ampliare il supporto linguistico, integrare funzionalità esterne e abbattere le barriere hardware, affinché la promessa del full‑duplex diventi uno standard accessibile per tutti gli sviluppatori.