Stavo per pubblicare un Reel su Instagram, la musica già scelta, il testo pronto, e l'IA che doveva leggere la voce fuori campo. Premetti play e… suona come un annuncio della posta. Nessuna emozione, solo una fila di sillabe piatte. Mi sono chiesto: è il modello o è il modo in cui gli do il testo?
La risposta è arrivata dopo tre settimane di prove, caffè freddo e notti insonni davanti al monitor. Ho provato quattro motori diversi — alcuni open source, altri a pagamento al secondo — e tutti, senza eccezione, leggevano come se stessero facendo la lettura del bollettino meteo. Un amico speaker radiofonico mi ha detto: "Cambia solo dove metti i respiri e l'accento, il resto lo fa il modello". Ha preso lo stesso file, ha spostato due virgole e ha aggiunto un accento su "vero". Il risultato? Sembrava una persona che ti parla al bar.
La verità: la voce non è il modello
Il timbro decide se l'ascoltatore resta, il ritmo decide se capisce. Prima passavo ore a confrontare campioni, a cercare l'ultimo aggiornamento "emozionale" su pagina di clonazione. Ora la mia routine è: prendo il testo, lo sistemo prima di mandarlo al motore. Stesso motore, testo ritoccato, risultato completamente diverso. È come dare al cuoco ingredienti già tagliati invece di un sacco di verdure intere.
La punteggiatura non è la respirazione
L'IA segue la punteggiatura: virgola = mezza pausa, punto = pausa piena, punto e virgola = quasi nulla. Ma noi parliamo per gruppi di senso (intention units). Una frase di quaranta caratteri può contenere due idee distinte; l'essere umano prende fiato tra un'idea e l'altra, la macchina solo alla virgola. Il risultato è quel "legno" che senti nelle narrazioni automatiche.
Il mio metodo in tre passaggi:
- Leggo ad alta voce il copione. Ogni frase oltre i venticinque caratteri senza virgola la spezzetto in due o tre frasi brevi, ognuna con un solo concetto.
- Controllo le enumerazioni: se c'è una lista di nomi, lascio i punti e virgola o i due punti per far scorrere tutto d'un fiato — dà quel tono da presentatore.
- Elimino i "di", "che", "il" inutili. In lettura occupano tempo di pausa senza aggiungere significato.
Fatto il test su un copy di prodotto: prima 89 secondi, dopo 74 secondi, densità informativa più alta. Il tasso di completamento del video è salito quasi del 20 %. La gente non sa dire cosa è cambiato, ma il corpo lo sente.
Un solo accento per frase
Quando parliamo, una frase ha un solo picco di energia: la parola chiave. L'IA tende a enfatizzare tutti i sostantivi, verbi, aggettivi. Risultato: un muro di parole tutte ugualmente "importanti", e il cervello dell'ascoltatore si spegne.
Il mio trucco da povero: scelgo una parola per frase, quella che voglio resti in testa. La segno con uno spazio a larghezza zero davanti (U+200B) — molti motori lo interpretano come micro‑pausa e alzano l'intonazione. Oppure genero solo quella frase a parte e la sostituisco in post‑produzione. Sembra una sciocchezza, ma in un test su una scheda prodotto gli spettatori hanno ricordato tre punti invece di uno.
Parole che meritano l'accento: numeri, confronti, conclusioni. "Costa il triplo", "è il doppio più veloce", "ma", "davvero". Sono gli ancoraggi decisionali.
La velocità non è un numero fisso
Trascinare lo slider della velocità al massimo è l'errore da principiante. Una velocità costante — veloce o lenta — ipnotizza. La voce umana è un'onda: rallenta sui punti chiave, accelera nei collegamenti, a volte diventa un fiume in piena quando la musica sale.
Flusso che uso ora:
- Genero tutto a 260 caratteri al minuto (zona sicura per l'italiano).
- Riascolto, segno 3‑5 punti critici (benefit principale, call to action, twist).
- Rigenero solo quelle frasi al 80 % della velocità base.
- In DaVinci Resolve sostituisco i segmenti con crossfade di 50 ms. Nessun artefatto udibile.
Controintuitivo: rallentare i primi tre secondi. Nei short video quei secondi decidono se l'utente scrolla via. Preferisco perdere un po' di densità e guadagnare chiarezza.
Due passaggi in più nel flusso
Consegnare un lavoro e sentirsi dire "manca qualcosa" senza sapere cosa è frustrante. Ho aggiunto due step obbligatori:
- Versione "ritmo" — un file di testo con segni: dove spezzare, dove mettere l'accento, dove rallentare. Lo mando insieme all'audio. Il cliente modifica quello, non mi fa indovinare.
- Ascolto doppio — prima in cuffia (dettagli, sibilanti, clipping), poi da altoparlante del telefono (immagine d'insieme). Molte rigidità invisibili in cuffia esplodono in altoparlante.
Da quando li uso, i ritorni sono scesi dal 50 % al <10 % e ogni correzione si chiude in dieci minuti.
Le abitudini che mi sono rimaste
- Leggo il copione prima di generare. Se inciampo, accorcio lì. L'IA amplifica i nodi, non li liscia.
- Conto i caratteri: oltre 25 senza virgola = taglio obbligatorio. Nessuna eccezione.
- Un accento per frase. La moderazione batte la forza bruta.
- Rallento solo dove conta. Non tutto deve essere "profondo".
Niente nuovi modelli, niente corsi a pagamento. Ho solo imparato a rispettare il ritmo della lingua. Lo stesso strumento — che sia generatore di voce gratuito o strumento dinamico — produce marketing da bot o compagnia da podcast a seconda di come gli dai il testo.
La prossima volta che apri l'editor per un audiolibro con IA gratis o un doppiaggio IA gratuito, fermati un attimo: hai già messo i respiri al posto giusto? Se la risposta è no, sai da dove iniziare. Buon recording.