Sintesi vocale (text-to-speech)
La sintesi vocale (text-to-speech) è la tecnologia che trasforma un testo scritto in audio parlato tramite una voce artificiale, così che un software possa leggere contenuti o rispondere a voce.
Definizione
La sintesi vocale, spesso abbreviata in TTS, prende una frase e genera il suono di qualcuno che la pronuncia. I primi sistemi univano frammenti registrati e suonavano robotici. Le voci neurali attuali modellano ritmo, accento e intonazione e possono avvicinarsi molto a una persona, in molte lingue e con diversi stili di voce.
La qualità si giudica ascoltando: la pronuncia è corretta, compresi nomi e numeri, il ritmo è comodo, l'intonazione si adatta alla frase, quanto ci mette a partire l'audio? In una conversazione dal vivo si nota di più il ritardo prima che la voce inizi che una voce un po' imperfetta. Velocità, pause e scelta della voce si possono regolare in base al pubblico.
La voce conta per la fiducia. Una voce chiara e gradevole facilita la conversazione, mentre una voce piatta o con pronunce sbagliate fa smettere di ascoltare. Poiché le voci sintetiche possono essere molto convincenti, le persone vanno informate che stanno parlando con un'IA e una voce non deve mai imitare una persona reale senza il suo consenso.
Punti chiave
- Genera audio parlato a partire da un testo; si chiama anche sintesi del parlato.
- Le voci neurali modellano ritmo e intonazione e suonano molto più naturali dei vecchi sistemi.
- Controlla la pronuncia di nomi, sigle e numeri in ogni lingua che usi.
- Il ritardo di avvio conta nelle conversazioni dal vivo.
- Segnala quando la voce è sintetica e non clonare mai una voce reale senza consenso.
Esempio
Un'università realizza un check-in parlato per gli studenti del primo anno, in italiano e in inglese. Prima del lancio il team ascolta gli audio di prova e corregge la pronuncia dei nomi di due sedi e di diverse sigle dei corsi di laurea.
Domande frequenti
Che differenza c'è tra sintesi vocale e speech-to-text?
Sono operazioni opposte. La sintesi vocale produce audio a partire da un testo, lo speech-to-text produce testo a partire da un audio. Un agente vocale AI usa entrambe.
Una voce sintetica può suonare umana?
Le voci neurali possono suonare molto naturali, ma possono ancora inciampare su nomi rari, abbreviazioni o emozione. Solo test di ascolto con i tuoi contenuti lo confermano.
È accettabile nascondere che la voce è sintetica?
È una pratica migliore, e in alcuni casi un'aspettativa di legge, dire alle persone che parlano con un'IA. Verifica con un consulente legale le norme che ti riguardano.
Termini correlati
Conversazioni IA, decisioni umane
Passisto conduce conversazioni vocali strutturate con candidati, collaboratori, clienti e studenti, e le trasforma in report su cui agire.