Cos'è il TTS (text-to-speech) e come funziona oggi
Il text-to-speech spiegato: come è passato dalla voce robotica a quella naturale, a cosa serve, come si controlla l'intonazione e quali limiti restano.
La sintesi vocale esiste da decenni, e per quasi tutto quel tempo è stata immediatamente riconoscibile: quella voce piatta e scandita dei navigatori di quindici anni fa. Negli ultimi anni è cambiata al punto che in molti contesti non si distingue più da una voce umana. In questo articolo ti spiego cos'è cambiato tecnicamente, a cosa serve davvero e quali limiti restano.
Cos'è il TTS
Il text-to-speech è la conversione di un testo scritto in audio parlato. TTS è la sigla con cui lo trovi ovunque, ed è l'operazione inversa dello speech-to-text, che trascrive il parlato in testo.
Cosa è cambiato
Il salto di qualità si capisce guardando le tre generazioni della tecnologia.
La sintesi concatenativa. Si registrava una persona che leggeva molte ore di testo, si spezzava l'audio in frammenti e si ricombinavano. Il suono dei singoli pezzi era umano — erano registrazioni vere — ma le giunture si sentivano, e l'intonazione era piatta perché ogni frammento era stato pronunciato in un contesto diverso.
La sintesi parametrica. Un modello generava i parametri acustici del suono. Più fluida, ma con quel timbro artificiale e ovattato tipico di certe voci di sistema.
I modelli neurali. La generazione attuale: reti addestrate su enormi quantità di parlato che generano direttamente la forma d'onda o una sua rappresentazione compressa, per poi ricostruirla.
Il cambiamento decisivo è che questi modelli non pronunciano parole isolate: generano il parlato tenendo conto dell'intera frase. È il motivo per cui l'intonazione funziona — sanno che una frase è una domanda prima di arrivare al punto interrogativo, e modulano di conseguenza.
Il meccanismo di fondo è imparentato con quello degli LLM e con l'architettura Transformer: predizione di sequenze, applicata al suono invece che al testo.
A cosa serve, concretamente
Accessibilità. È l'uso originario e resta il più importante: screen reader per chi ha disabilità visive, supporto per chi ha difficoltà di lettura. Le voci naturali non sono un vezzo estetico — ascoltare una voce piatta per ore è faticoso in modo tangibile.
Contenuti audio da testo. Versione ascoltabile di articoli, newsletter e documenti.
Video e formazione. Voce narrante per contenuti didattici, tutorial, presentazioni. Modificare un copione e rigenerare l'audio costa minuti invece di richiedere una nuova sessione di registrazione: è il vantaggio pratico più rilevante.
Localizzazione. Versioni in più lingue senza registrare separatamente in ciascuna.
Assistenti e risposte vocali. Centralini, assistenti, notifiche parlate.
Prototipazione. Provare il ritmo di un copione prima di registrarlo davvero.
Come si controlla il risultato
I sistemi moderni offrono diverse leve, e conoscerle fa la differenza tra un audio accettabile e uno che regge.
Scelta della voce. Timbro, età percepita, accento. È la decisione che pesa di più.
Velocità e pause. Il parametro più sottovalutato: il ritmo naturale del parlato è più lento di quello che sembra leggendo, e inserire pause nei punti giusti fa più per la naturalezza di qualunque altra impostazione.
Intonazione ed espressività. Alcuni sistemi permettono di indicare un tono — neutro, entusiasta, pacato — o di regolare quanta variazione emotiva applicare.
Il markup. Esiste un linguaggio standard, l'SSML, per marcare il testo: pause di durata precisa, enfasi su una parola, pronuncia esplicita di un termine, lettura cifra per cifra dei numeri. È lo strumento serio per il controllo fine, ed è supportato da molti servizi.
I dizionari di pronuncia. Nomi propri, marchi, termini stranieri e sigle sono il punto debole ricorrente. Poter definire come si pronuncia una parola specifica è spesso ciò che distingue un servizio utilizzabile da uno frustrante.
I limiti che restano
Le sigle e i nomi propri. Il modello deve indovinare se "SEO" si pronuncia a lettere o come parola, se un cognome è italiano o straniero. Sui contenuti tecnici o con molti nomi, il correttivo manuale è quasi sempre necessario.
I numeri e le date. "1/3" può essere un terzo, il primo marzo o uno su tre. Il contesto aiuta ma non sempre basta.
Le omografie. In italiano parole identiche con accento diverso — "àncora" e "ancóra", "prìncipi" e "princìpi" — vengono sbagliate con una certa regolarità.
L'espressività vera. Il TTS produce una lettura ben fatta, non un'interpretazione. Ironia, sottotesto, esitazione voluta, il tempo comico: sono fuori portata. Per una narrazione informativa va benissimo; per un audiolibro di narrativa o uno spot che deve emozionare, la differenza con un professionista si sente.
Le lingue minori. La qualità è ottima sulle lingue più diffuse, molto variabile sulle altre. L'italiano è generalmente ben coperto, ma vale la pena ascoltare campioni prima di scegliere un servizio.
La lunghezza. Su testi molto lunghi il tono può derivare. Spesso conviene generare per blocchi e montare.
Come si sceglie un servizio
Al di là dei nomi, che cambiano di continuo, i criteri che contano:
- Qualità sulla lingua che ti serve, non in generale: ascolta campioni in italiano
- Supporto per SSML e dizionari di pronuncia, se il contenuto è tecnico
- Modello di prezzo — di solito a caratteri o a minuti generati
- Diritti sull'audio prodotto: verifica che l'uso commerciale sia consentito dal piano che hai
- Possibilità di eseguirlo in locale, se lavori su materiale riservato — esistono modelli aperti eseguibili in proprio, con la stessa logica che descrivo in far girare un LLM in locale
Una nota sulla clonazione vocale
Molti servizi TTS offrono anche la possibilità di clonare una voce da un campione audio. È una funzione potente e con implicazioni serie: la voce di una persona è un dato biometrico, e usarla senza consenso esplicito è un problema legale prima ancora che etico.
La regola minima: cloni solo la tua voce, o una voce per cui hai un consenso documentato per quell'uso specifico. Il tema meriterebbe un discorso a parte, e i criteri generali su diritti e trasparenza dei contenuti generati valgono anche qui — li ho messi in immagini AI e uso commerciale.
In sintesi
Il TTS converte testo in parlato, ed è passato dalla ricombinazione di frammenti registrati a modelli neurali che generano l'audio tenendo conto dell'intera frase. È da lì che viene l'intonazione naturale.
Funziona molto bene per accessibilità, contenuti didattici, narrazione informativa e localizzazione, con il vantaggio pratico enorme di poter rigenerare l'audio dopo una modifica al testo.
I limiti sono prevedibili: sigle, nomi propri, numeri, omografie e — soprattutto — l'espressività vera. Per una lettura chiara è pronto; per un'interpretazione la differenza si sente ancora.
E se usi la clonazione vocale, la regola è una sola: solo con consenso.