La sintesi vocale in italiano adesso gira su un computer da ufficio

Kyutai Labs ha pubblicato su GitHub un programma che trasforma un testo scritto in voce parlata e non ha bisogno di una scheda grafica per funzionare. Si chiama Pocket TTS, è distribuito con licenza MIT, ha raccolto circa 8.200 stelle e fra le sei lingue che genera c'è l'italiano. La sintesi vocale in italiano è la tecnologia che trasforma un testo scritto in un file audio con una voce che lo legge nella nostra lingua. Fino a ieri, per una qualità presentabile, in azienda si comprava a consumo da un fornitore esterno. Da oggi c'è una terza strada.

La descrizione ufficiale del progetto è una riga sola: "A lightweight text-to-speech (TTS) application designed to run efficiently on CPUs", cioè un programma leggero di sintesi vocale progettato per girare in modo efficiente sui processori. Il modello ha 100 milioni di parametri, che nel panorama attuale è una dimensione minuscola. Il README dichiara circa 200 millisecondi per ottenere il primo pezzo di audio e una velocità di circa sei volte il tempo reale sulla CPU di un MacBook Air M4, usando due soli core del processore. Un minuto di parlato si produce in una decina di secondi su un portatile da ufficio.

Cosa cambia per un'azienda che produce contenuti audio

Cambia il modello di costo, e questo è il punto che riguarda un imprenditore molto più della qualità del modello. Un servizio di sintesi vocale a consumo si paga a caratteri o a minuti generati: costa poco quando si fanno tre video l'anno e diventa una voce di spesa quando i contenuti audio entrano nei processi ordinari. Un modello che gira su una macchina che l'azienda ha già costa una tantum il tempo di installarlo e poi non costa più niente, indipendentemente da quanti minuti si producono.

La seconda cosa che cambia è dove va a finire il testo. Ogni volta che un preventivo, una procedura interna o un elenco di prodotti con i prezzi viene mandato a un servizio esterno per essere letto ad alta voce, quel testo esce dall'azienda. Con un programma che funziona sul processore del computer, come Pocket TTS che richiede PyTorch 2.5 o superiore e dichiara esplicitamente di non avere bisogno della versione per scheda grafica, il testo non si muove. Non è un dettaglio da informatici: è la stessa domanda che ci si fa prima di caricare i dati aziendali dentro uno strumento AI.

La terza cosa che cambia è l'elenco delle lingue. Pocket TTS dichiara sei lingue: inglese, francese, tedesco, portoghese, italiano e spagnolo. Chi ha provato a usare modelli vocali aperti per contenuti in italiano sa che l'italiano è quasi sempre la lingua che manca, e che la sua assenza è il motivo per cui alla fine si torna a pagare un servizio commerciale. Qui c'è, ed è dichiarato dal progetto stesso.

Cosa serve per far girare la sintesi vocale in italiano in ufficio

Serve un computer normale e mezza giornata di una persona che sappia installare un programma. L'installazione dichiarata dal progetto è un comando solo, pip install pocket-tts, e il requisito è PyTorch 2.5 o superiore nella versione senza scheda grafica. Non serve comprare hardware, non serve un contratto, non serve un progetto informatico: serve qualcuno che una volta nella vita abbia installato qualcosa da riga di comando, dentro o fuori dall'azienda.

Detto questo, va detto anche il resto, perché un articolo che si ferma alla parte facile non è utile. Un programma da riga di comando non è un prodotto: non ha un'interfaccia, non ha assistenza, non ha nessuno da chiamare quando smette di funzionare, e la licenza MIT significa che è gratis ma anche che nessuno vi garantisce niente. Per una PMI questo si traduce in una scelta chiara: o dentro l'azienda c'è già qualcuno che gestisce cose del genere, oppure va inserito in un lavoro più ampio insieme a chi vi segue sui sistemi. È esattamente il tipo di intervento che si valuta quando si ragiona su come automatizzare un processo ripetitivo collegando i software già in uso, non un acquisto a sé stante.

La voce clonata è il punto dove si fanno i danni

Pocket TTS permette di clonare una voce: il README spiega che l'argomento --voice accetta anche un normale file wav, e raccomanda di ripulire il campione audio prima di usarlo perché la qualità del campione viene riprodotta nel risultato. Tecnicamente basta una registrazione. Ed è precisamente qui che un'azienda può combinare un guaio serio partendo da un'intenzione innocua.

Il progetto scrive nella sezione sugli usi vietati che è proibita "voice impersonation or cloning without explicit and lawful consent", cioè l'impersonificazione o la clonazione di una voce senza un consenso esplicito e lecito, insieme alla presentazione di contenuti generati come registrazioni autentiche di persone reali. Tradotto nel mondo di chi gestisce un'azienda: la voce del titolare che legge il messaggio di benvenuto è una scelta legittima se il titolare lo sa e lo autorizza per iscritto. La voce di un dipendente che se n'è andato, o quella di uno speaker professionista sentita in un video e riprodotta, non lo è. E chi pubblica contenuti destinati al pubblico ha già una serie di obblighi di trasparenza previsti dall'AI Act che valgono a prescindere da quale programma è stato usato per generarli.

Da dove si comincia

Il primo passo è un calcolo, non un'installazione. Prendete l'ultima fattura di chi vi ha prodotto contenuti audio, che sia il video di presentazione, il corso interno o il messaggio del centralino, e ricavate quanto avete pagato al minuto di parlato. Poi moltiplicate per i minuti che vorreste produrre l'anno prossimo se il costo non fosse un problema. Se il secondo numero è grande, la strada di generare l'audio in casa merita mezza giornata di prova. Se è piccolo, avete appena risparmiato quella mezza giornata e la risposta è continuare a comprare a consumo.

Il secondo passo, se il primo numero regge, è una prova ristretta con un testo vero e non con una frase di esempio. Fate leggere al modello un paragrafo delle vostre istruzioni di prodotto, con i nomi propri e i codici articolo che ci sono dentro, e ascoltatelo insieme a chi quei contenuti li usa davvero. La sintesi vocale in italiano si giudica sui nomi difficili e sui numeri, non sulle frasi da manuale.

Il terzo passo riguarda le voci. Decidete prima di iniziare se userete una voce generica o quella di una persona, e nel secondo caso mettete per iscritto il consenso di quella persona con l'indicazione di dove verrà usata la sua voce e per quanto tempo. È una mail di dieci righe fatta oggi, oppure una discussione fra avvocati fatta fra due anni.

Se questo tipo di ragionamento vi è nuovo, il punto di partenza non è il modello vocale ma il metodo con cui si sceglie cosa automatizzare per primo, e su quello c'è già una guida pratica per le PMI che vogliono iniziare con l'AI su questo blog.

Un modello da 100 milioni di parametri che parla italiano su due core di un portatile non è una notizia tecnologica. È il momento in cui una voce di spesa smette di essere obbligatoria, e chi se ne accorge prima ha un anno di vantaggio su chi lo scoprirà quando glielo dirà il fornitore.

Fonte primaria: il repository kyutai-labs/pocket-tts su GitHub.