Ho trasformato le storie della buonanotte in audiolibri con l'IA: una settimana di prove, quattro errori e una scoperta sull'audio di riferimento
Mercoledì sera, nove e mezza passate. Mia figlia mi mette in mano Il Gruffalò e mi fa: «Papà, ma hai la voce di un rospo. Facciamo leggere al telefono?»
Aveva ragione. Due settimane di letture serali e le tonsille avevano dichiarato sciopero. Così ho pensato: va bene, proviamo la sintesi vocale gratuita.
Il primo risultato... come dire. Ha ascoltato due secondi, mi ha rimesso il telefono in mano: «Non sei tu.»
Era la mia voce, ma non era la mia voce. Sembrava che stessi leggendo il verbale di una riunione condominiale, con la mascherina davanti alla bocca.
Il problema non era lo strumento. Era il mio audio di riferimento.
Ho iniziato con un tool che pretendeva registrazione e numero di telefono. Ho caricato un vocale di WhatsApp come riferimento — trenta secondi, dicevo tipo «ehi, quel preventivo lo guardiamo domani». Risultato: voce impostata, zero emozione, come uno speaker di un telegiornale locale che legge le notizie dei funghi.
Poi ho capito: WhatsApp comprime l'audio. Sample rate basso, eco, un filo di rumore di fondo. Dare in pasto quella roba al modello è come consegnare a un ritrattista una foto sfocata e pretendere la somiglianza.
È lì che si separano quelli che smanettano da quelli che ottengono risultati. Tutti fissano i parametri del modello. Ma sono quei trenta secondi a decidere tutto.
Quando sono passato alla clonazione vocale gratuita e ho riregistrato il riferimento, stesso modello, è uscita una cosa completamente diversa.
Come registrare il riferimento senza sembrare un robot
Qui mi voglio fermare un attimo, perché ho rifatto il lavoro quattro volte.
Non registrare in salotto. Il frigo ronza, passa una macchina, il vicino taglia l'erba. Il tuo orecchio filtra, il microfono no. Io sono finito dentro l'armadio, in mezzo ai cappotti: il tessuto assorbe che è una meraviglia. Non hai l'armadio? Costruisci una tana con due coperte e infilaci il telefono.
Quindici-trenta secondi, non di più. Troppo corto e il modello non aggancia il timbro. Troppo lungo e si impara anche ogni colpo di tosse. Una volta ho registrato quasi due minuti: ogni frase finiva con quel mio piccolo ehm di gola. Da brividi.
Non leggere un copione. È la cosa più controintuitiva di tutte. Se declami «Nel mezzo del cammin di nostra vita» ti esce il doppiatore. Devi dire cose normali: «Stasera che si mangia? In frigo ci sono ancora due mele, se non le mangiamo vanno a male.» Ritmo naturale, un po' di colore, magari una risata. Il modello impara come parli, non come reciti.
Microfono a un pugno di distanza, inclinato di quarantacinque gradi. Attaccato alla bocca esplodono le plosive, troppo lontano entrano le riflessioni della stanza.
Registra tre take e scegli il migliore. Sembra una fatica, sono cinque minuti. Adesso faccio così: tre frasi diverse di fila, poi riascolto e tengo quello che somiglia di più a «me che racconto una storia».
Un dettaglio: prima di registrare, acqua tiepida. Non fredda. Quando la gola è stretta la voce ondeggia, e anche quello se lo impara.
A proposito: il testo a voce gratuito che ho usato questa settimana non chiede registrazione. Apri e via. La voce sintetica senza registrazione per uno come me, che abbandona qualsiasi form di iscrizione a metà, è una benedizione. Non ci avevo dato peso, finché un'amica ha provato e si è arresa davanti alla verifica dell'email. E regge i testi lunghi: una fiaba illustrata sono duemila-tremila caratteri, i tool con il tetto di battute non bastano nemmeno per mezza storia. Fa anche text to speech italiano gratis come si deve — pronuncia italiana, non inglese travestito.
Il mio flusso di lavoro, concretamente
Lunedì sera ho preso tre libri dalla pila e li ho battuti negli appunti. Mentre scrivevo:
- ho scritto i numeri a parole — «3 porcellini» diventa «tre porcellini», altrimenti legge three
- ho spezzato le frasi lunghe, virgole e punti dove avrei respirato: la punteggiatura è pausa
- ho controllato i casi ambigui: àncora o ancora, pèsca o pésca, bòtte o bótte. Sbagli e tua figlia ti corregge in tempo reale
Poi sintetizzo, ascolto, torno a sistemare la punteggiatura. Le prime due sere sono state faticose, dalla terza è filato liscio: il riferimento era fissato, il resto è lavoro sul testo. Convertire testo in audio gratis richiede pochi secondi; il tempo vero se ne va nella revisione.
Un amico mi ha chiesto una mano per un video del suo negozio di biciclette — serviva una voce fuori campo. Con l'IA gratis ho fatto in dieci minuti quello che una volta voleva dire cercare uno speaker e aspettare una settimana. Voce fuori campo IA gratis: non ci avrei scommesso un euro.
Sinceramente, due anni fa non ci avrei creduto. Mi aspettavo il trial di tre giorni, o una qualità impastata. Invece fare un audiolibro con IA gratis oggi è realistico. Ho persino pensato che, quando la bambina sarà più grande, potrei collegare un'API e costruirle un robottino che legge da solo... ma è un'altra tana del coniglio. Non la scavo adesso.
Due trappole in cui sono caduto
La prima: una piattaforma pubblicizzava clonare voce gratis, peccato che la versione gratuita si fermasse a un minuto e poi ti mettesse in coda. Mi sono bloccato a metà sintesi con la bambina che aspettava accanto al letto. Imbarazzante. Prima di scegliere, guardate se il limite è reale.
La seconda riguarda la privacy, e per me è seria. La voce è un dato biometrico. Se un servizio si prende diritti sui tuoi audio, o li usa per addestrare senza dirlo chiaramente, io chiudo la scheda. Se fate doppiaggio IA gratuito su materiale di un cliente, non è un dettaglio da nerd: è la differenza tra un lavoro e un problema.
FAQ: le domande che mi arrivano più spesso
Quanto deve essere lungo l'audio di riferimento?
Quindici-trenta secondi, intorno ai venti è il punto dolce. Sotto i dieci il timbro ondeggia, sopra il minuto la probabilità che entri del rumore sale in verticale. Se non trovi un posto silenzioso, meglio un campione più corto e pulito che uno lungo e sporco.
Basta il microfono dello smartphone?
Sì. Il mio telefono ha tre anni e la differenza con un microfono esterno non la sento. Conta l'ambiente, non l'attrezzatura. Registrato nell'armadio con il telefono batte quasi sempre il salotto con il microfono professionale.
Si può clonare la voce di un bambino?
Tecnicamente sì, ma non lo consiglio. Primo: la voce di un bambino cambia in continuazione, il timbro è instabile e il riferimento è difficile da tenere pulito. Secondo: sentire una «propria voce» che ti racconta una storia fa un effetto strano. Preferisco la mia, imperfetta com'è.
Se volete vedere come l'hanno risolta altri, in altri tutorial ci sono diversi casi. Ne ho letti un paio e le liste di errori da evitare sono scritte con onestà, non con il solito entusiasmo da brochure.
Dove sono arrivato
Adesso la domenica sera mi prendo venti minuti, sintetizzo le cinque storie della settimana e le metto in una cartella. Lei sceglie. Quando la gola tiene leggo ancora io — quello lì nessuna macchina me lo sostituisce.
Ma nelle sere in cui le tonsille sono in assemblea permanente, la storia non si interrompe.
Se volete provare, non partite da un testo lungo. Registrate venti secondi, sintetizzate una frase qualsiasi e ascoltate: vi riconoscete? Se sì, andate avanti. Se no, tornate nell'armadio. Dieci minuti, e decidono tutto quello che viene dopo.