Cos'è PersonaPlex?
PersonaPlex è un modello vocale di NVIDIA da 7 miliardi di parametri che ascolta e parla nello stesso momento, in gergo "full-duplex". Questo significa che si lascia interrompere, annuisce con un "mh-mh" e risponde senza aspettare che l'utente finisca la frase. NVIDIA lo ha pubblicato il 15 gennaio 2026, con il codice sotto licenza MIT e i pesi sotto la NVIDIA Open Model License.
Il termine "full-duplex" viene dalla telefonia. Il walkie-talkie è half-duplex (uno parla, l'altro aspetta il suo turno), il telefono è full-duplex. Gli assistenti vocali classici funzionano da walkie-talkie travestiti: un sistema di riconoscimento vocale trascrive, un modello linguistico scrive la risposta, un sintetizzatore la legge ad alta voce; ogni anello della catena aggiunge ritardo. PersonaPlex sostituisce i tre pezzi con un'unica rete neurale che tiene aperti l'ingresso e l'uscita audio insieme.
Sul versante della voce full-duplex, Block ha presentato Dessa, un modello addestrato solo su parlato, per ora con lista d'attesa. PersonaPlex non nasce da zero. NVIDIA ha infatti rifinito (fine-tuning) Moshi, il modello full-duplex presentato nel 2024 da Kyutai, laboratorio di ricerca francese. Quello che PersonaPlex aggiunge a Moshi è il controllo: il ruolo dell'assistente si scrive in un prompt testuale, la voce si sceglie o si ricava da un breve campione audio.
Come funziona PersonaPlex?
PersonaPlex lavora su due flussi paralleli (da qui "dual-stream"): l'audio dell'utente in ingresso e quello dell'agente in uscita, aggiornati di continuo dallo stesso modello. Il suono viene convertito in token da Mimi, il codec audio di Moshi, che campiona a 24 kHz. Sopra lavorano i due transformer di Moshi (uno temporale, uno di profondità) con Helium, il modello linguistico di Kyutai, come spina dorsale. Secondo la pagina di ricerca di NVIDIA, questa architettura evita i ritardi della catena riconoscimento, modello e sintesi.
La novità sta nel "hybrid prompting", cioè nel doppio comando. Il voice prompt è un embedding audio che cattura timbro e stile di parlata. Il text prompt è un'istruzione in linguaggio naturale con ruolo, informazioni di contesto e regole di conversazione. Il repository include 18 voci già pronte, divise in "natural" (NATF0-3 femminili, NATM0-3 maschili) e "varied" (VARF0-4 e VARM0-4). Gli esempi di prompt coprono tre casi, ovvero l'insegnante cordiale, il servizio clienti con nome dell'azienda e dell'agente, la chiacchierata libera.
NVIDIA mostra anche una demo fuori dai binari, un astronauta che gestisce un'emergenza al reattore su Marte. Quel comportamento non è stato insegnato in modo diretto. Gli autori sospettano che derivi dal pre-addestramento di Moshi, il che spiega perché il modello regge anche prompt strani ma anche perché, fuori dai casi di assistente e servizio clienti, i risultati non sono garantiti.
Su quali dati è stato addestrato?
Il materiale di partenza è in gran parte inglese e in gran parte sintetico. Le cifre sono quelle della pagina di ricerca di NVIDIA.
- 7.303 conversazioni reali del Fisher English Corpus (1.217 ore), una raccolta di telefonate registrate in inglese distribuita dal Linguistic Data Consortium, con prompt di contesto scritti da GPT-OSS-120B.
- 39.322 conversazioni sintetiche da assistente (410 ore), con un prompt fisso da insegnante.
- 105.410 conversazioni sintetiche da servizio clienti (1.840 ore), con prompt che indicano azienda, ruolo, nome e dettagli di business.
I testi delle conversazioni sintetiche li hanno scritti Qwen3-32B e GPT-OSS-120B, le voci sono state generate con sintesi vocale. Secondo The Decoder, l'addestramento è durato sei ore su otto GPU A100. NVIDIA sostiene che meno di 5.000 ore di dati guidati siano bastate per far seguire al modello le istruzioni di ruolo.
Quanto è bravo davvero?
NVIDIA misura PersonaPlex su Full-Duplex-Bench, un test pubblico sulle dinamiche di conversazione, oltre che su Service-Duplex-Bench, un'estensione costruita dagli stessi autori con 350 domande da servizio clienti. Sulle dinamiche di conversazione i risultati dichiarati sono questi (più alto è meglio, tranne la latenza).
| Modello | Cambio turno | Interruzioni | Pause | Media | Latenza turno |
|---|---|---|---|---|---|
| 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 |
Sul fronte dell'aderenza al ruolo, giudicata da GPT-4o con un voto da 0 a 5, PersonaPlex prende 4,29 su Full-Duplex-Bench e 4,40 sul test da servizio clienti. Moshi si ferma a 0,77 e 1,75, Gemini Live arriva a 3,38 e 4,73, Qwen 2.5 Omni a 4,59 e 2,76. Per la naturalezza della conversazione, sempre secondo The Decoder, il punteggio d'opinione medio è 3,90 per PersonaPlex contro 3,72 di Gemini Live, 3,70 di Qwen 2.5 Omni e 3,11 di Moshi.
Limiti da conoscere
I punteggi di aderenza al ruolo li assegna GPT-4o su un test da servizio clienti scritto dagli stessi autori di PersonaPlex, quindi 4,40 su 5 resta un voto interno finché un terzo non rifà la prova con le stesse 350 domande.
La frase "supera i sistemi commerciali" regge sulla media, non su ogni misura. Gemini Live vince sulle pause (71,8 contro 60,6) e Moshi sul cambio turno (94,1 contro 90,8), perciò il vantaggio dipende da quale comportamento conta per il prodotto che vuoi costruire.
Dati e test sono in inglese. Nessun numero della tabella dice come si comporterebbe il modello in italiano, perché in italiano non è stato né addestrato né provato.
È davvero open source e gratis?
Solo a metà. Il codice sta su GitHub con licenza MIT, ma i pesi del modello sono distribuiti con la NVIDIA Open Model License, un contratto proprio dell'azienda; su Hugging Face li scarichi solo dopo aver accettato le condizioni. Si parla quindi di "open weight", ossia pesi scaricabili, più che di open source in senso stretto. La scheda del modello cita anche la licenza CC-BY-4.0 della base Moshi.
La licenza NVIDIA consente l'uso commerciale, non chiede royalty e non rivendica la proprietà di quello che il modello produce. Ha però due clausole da conoscere: è revocabile e i diritti decadono se citi in giudizio qualcuno sostenendo che il modello viola copyright o brevetti oppure se.