Che cos’è la sintesi vocale? Una guida in parole semplici

La sintesi vocale (TTS, text-to-speech) è un software che legge un testo ad alta voce. Gli dai una frase e lui ti restituisce un file audio, o uno stream in tempo reale, con una voce che la pronuncia. Quella voce non è la registrazione di una persona che legge esattamente le tue parole: viene generata sul momento da un modello informatico che ha imparato come una determinata voce pronuncia suoni, parole e frasi.

Quasi sicuramente hai già sentito la sintesi vocale: nelle indicazioni del navigatore, nei menu telefonici, negli screen reader usati da persone cieche e ipovedenti, nelle funzioni di “lettura ad alta voce” degli e-book e, sempre più spesso, nelle narrazioni su YouTube e nei video brevi.

La maggior parte dei sistemi attuali lavora in tre grandi fasi. Non le vedi mai, ma conoscerle ti aiuta a capire perché certi testi creano problemi.

1. Leggere e normalizzare il testo

Per prima cosa il sistema capisce che cosa va effettivamente detto. “Sig.” diventa “signor”, “p.” può essere “pagina” o “piano”; “2026” di solito si legge “duemilaventisei”, ma “2,5” è “due virgola cinque”; “5 €” diventa “cinque euro”. Il sistema divide anche il testo in frasi e decide come pronunciare ogni parola scritta, cosa più difficile di quanto sembri: in italiano “ancora” si pronuncia in modo diverso in “getta l’ancora” e in “prova ancora”.

2. Pianificare il suono

Poi una rete neurale prevede come deve suonare la frase: quali sillabe sono accentate, dove l’intonazione sale e scende, quanto dura ogni suono e dove cadono i piccoli respiri. Questa melodia e questo ritmo si chiamano prosodia, ed è la differenza principale tra una voce che sembra umana e una che sembra una macchina che legge un elenco.

3. Produrre l’audio

Infine un altro modello (spesso chiamato vocoder) trasforma quel piano in una vera onda sonora da riprodurre. I sistemi più vecchi incollavano tra loro minuscoli frammenti di parlato preregistrati, ed è per questo che suonavano a scatti. I sistemi neurali generano direttamente la forma d’onda, ed è per questo che le voci attuali risultano fluide.

• Prosodia. Ritmo e intonazione naturali contano più della pura qualità audio. Una voce pulita ma piatta suona comunque artificiale.
• Lingua e accento giusti. Una voce addestrata per una lingua di solito fatica con le parole di un’altra. Scegli una voce che corrisponda alla lingua del tuo testo e, se possibile, all’accento che il tuo pubblico si aspetta.
• Il testo stesso. Abbreviazioni, nomi insoliti, punteggiatura mancante e frasi molto lunghe sono le cause più comuni di risultati strani. La nostra guida su come scrivere testi per la sintesi vocale spiega come risolverli.
• Impostazioni di velocità e tono. Piccole modifiche aiutano molto; impostazioni estreme rendono strana qualsiasi voce.

• Accessibilità. Ascoltare invece di leggere aiuta chi ha problemi di vista, dislessia, affaticamento o altre difficoltà di lettura. Vedi la sintesi vocale per l’accessibilità.
• Narrazione video. I creator usano la sintesi vocale per video esplicativi su YouTube, tutorial e video brevi quando non possono o preferiscono non registrare la propria voce. Vedi come creare un voiceover per YouTube.
• Imparare le lingue. Ascoltare una frase pronunciata da una voce con accento madrelingua, a velocità ridotta, aiuta con la pronuncia. Vedi la sintesi vocale per imparare le lingue.
• Revisione dei testi. Sentirsi rileggere ciò che si è scritto è uno dei modi più rapidi per scovare frasi goffe e parole mancanti.
• Audiolibri e ascolto di testi lunghi. Vedi come narrare un audiolibro con la sintesi vocale.

Anche le buone voci IA possono pronunciare male nomi rari, marchi e parole prese da altre lingue. Non capiscono il tuo testo come un narratore umano, quindi battute, sarcasmo ed emozioni forti spesso risultano neutri. E poiché oggi le voci sintetiche sono realistiche, non devono mai essere usate per imitare una persona reale o per ingannare chi ascolta.

La soluzione pratica alla maggior parte di questi limiti è modificare il testo, non combattere con la voce: scrivi i nomi difficili come si pronunciano, spezza le frasi lunghe e aggiungi punteggiatura dove vuoi una pausa.

Nello Studio puoi incollare fino a 2.000 caratteri alla volta, scegliere tra 583 voci in 76 lingue, regolare velocità e tono, ascoltare e scaricare il risultato. Non serve alcun account. Se non sai da quale voce partire, leggi come scegliere la voce IA giusta.