Ho clonato la mia voce con un audio registrato in cucina: 37 video e-commerce da buttare

Era martedì, una settimana prima del Black Friday. Sul monitor avevo 37 video prodotto già montati, pronti a partire. Non ne ho pubblicato nemmeno uno.

Il problema? Il voice over. Tutto da rifare.

E la cosa ridicola è come è cominciata. Non avevo voglia di cercare un doppiatore, mi sono detto: ma dai, con l'IA di oggi registro due minuti col telefono e via. Così una sera mi sono piazzato in cucina, telefono appoggiato sul piano di lavoro, e ho letto il copy di tre prodotti ad alta voce. Sotto: la cappa accesa, il rubinetto che gocciolava, e il vicino del piano di sotto che trapanava. Perché c'è sempre qualcuno che trapanava.

Finito, ero pure soddisfatto. Carico il file, aspetto due minuti, e quello che esce è... come dire... qualcuno che legge un copione da dietro una lamiera. Le finali ovattate, i respiri fuori posto, e sotto la voce un ronzio che non se ne andava. Ho trascinato l'audio nel primo video, ascoltato dieci secondi, chiuso tutto.

Il punto è che l'errore non era lo strumento

La clonazione vocale funziona così: il modello impara il timbro dalla tua registrazione. E il timbro dove sta? Sta nella voce pulita. Se gli dai un minestrone di rumori, non è che fa la selezione intelligente — impara anche il minestrone. Risultato: ogni audio generato dopo si portava dietro la cappa aspirante come se fosse parte della mia identità vocale.

Poi c'è il secondo errore: il campione era corto. Tre minuti e dodici, con due colpi di tosse e una risata a metà. Troppo poco materiale, quindi il modello ha tirato a indovinare. E il risultato di un indovinello è sempre quella sensazione strana: sembra io, ma non sono io. Ti è familiare, però non ci metteresti la firma.

Terzo errore, il peggiore: non ho ascoltato niente. Ho generato 37 file in blocco e sono andato a dormire.

I primi due sono errori tecnici. Il terzo è un errore di testa. Nessun generatore di voce gratuito al mondo ti salva se non ascolti quello che produce.

I quattro punti dove ho fatto il botto

  • Ambiente: cucina, cappa accesa, trapano del vicino in sottofondo
  • Attrezzatura: microfono del telefono, a 30 cm dalla bocca, tenuto in mano
  • Campione: 3 minuti e 12 secondi, tosse e risata incluse
  • Controllo qualità: saltato, generazione in blocco

Come vedi, nessuna voce dell'elenco dice "lo strumento non funziona". Era tutto mio.

Come ho rifatto tutto, passo per passo

La prima mossa è stata cambiare stanza. Mi sono chiuso nell'armadio — sì, nell'armadio — con due piumini dietro la schiena, telefono in modalità aereo, a un pugno dalla bocca. Otto minuti di lettura piatta, senza enfasi, solo descrizioni tecniche: "capacità 500 ml, acciaio 316, mantiene il caldo per 12 ore". Noioso da morire. Perfetto.

Poi ho cambiato il flusso di lavoro. Non ho più generato il pezzo intero, ma ho tagliato il copione in segmenti da 5-8 secondi, uno per inquadratura. Perché? Perché se generi tutto insieme e sbagli l'accento su una parola, rifai tutto. A pezzi, cambi solo quello che non va. La differenza in tempo è imbarazzante.

Con un campione pulito il salto è netto. La voce che esce dalla clonazione vocale gratuita chiude le finali come si deve, e su "prezzo promozionale" non c'è più quel rimbombo. Devo ammettere che mi sono quasi commosso.

Una nota per chi lavora in italiano: la maggior parte dei tool legge l'italiano con un accento che tradisce. Il test è sempre lo stesso — fai leggere "maglia", "ghiaccio", "gnocchi" e "sciacquare". Se sbaglia lì, non è un text to speech italiano gratis, è un text to speech inglese che si arrangia. Qui, per ora, non ho trovato sorprese.

Sul lato pratico: in questi mesi ho provato un bel po' di versioni free. Alcune ti limitano i caratteri, altre ti mettono in coda, altre dopo tre generazioni ti aprono il popup dell'upgrade. VoxClone è senza limiti di caratteri — almeno io non ho mai visto un avviso di quota. E la voce sintetica senza registrazione è la parte che apprezzo di più: non devo creare un account, non devo dare l'email, non devo aspettare un codice. Apri e usi.

Ormai lo tratto come un normale voce fuori campo IA gratis. Scrivo il testo, lo incollo, esce l'audio in pochi secondi. Non mi piace? Cambio due parole e rigenero.

Mi chiedono spesso quanta differenza ci sia tra un doppiaggio IA gratuito e un doppiatore vero. Sinceramente, per leggere le specifiche di un prodotto, poca. Se ti serve il tono da televendita, invece, devi metterci mano tu sul ritmo, oppure paghi qualcuno. La sintesi vocale gratuita ti fa risparmiare il costo della persona, non quello del giudizio: dove respirare, quale parola spingere, quanto lasciare andare — quello resta il tuo lavoro.

Ah, e c'è un progetto che ho in cantiere: un audiolibro con IA gratis per un piccolo editore che conosco. Lì la questione cambia, perché quattro ore di ascolto non perdonano un campione sporco. Ma è un discorso per un'altra volta.

Sulla parola "gratis", due cose oneste

All'inizio cercavo solo un testo a voce gratuito per tappare un buco, e confesso che ero scettico: clonare voce gratis, per sempre, sembra sempre l'esca di qualcosa. Poi ti chiedono la carta dopo due utilizzi.

Dopo mesi di uso, almeno per ora, VoxClone è senza registrazione e si apre e basta, e lo stesso vale per convertire testo in audio gratis: nessun login, nessun numero di telefono. L'API di sintesi vocale gratuita l'ho collegata anch'io, per generare le versioni di prova dei testi brevi in batch. Fa il suo lavoro.

Ma gratis non vuol dire tuttofare. Non ti scrive il copy, non ti dice dove mettere la pausa, non guarda il montaggio al posto tuo. Lo strumento trasforma testo in voce che suona umana. Il resto è tuo.

Se ti serve una voce ogni tanto per un video prodotto, un generatore di voce gratuito basta e avanza. Se invece fai decine di video a settimana come me, ti servono segmenti e una convenzione nei nomi dei file, altrimenti dopo un mese non sai più quale audio corrisponde a quale prodotto. Ho annotato gli errori man mano, e altri tutorial sullo stesso tema li trovi qui.

E una cosa che in Italia conta: la voce è un dato biometrico. Se cloni la tua, nessun problema. Se cloni quella di un collaboratore, serve un consenso scritto e chiaro, e vale la pena dirlo anche in azienda. Con il Garante privacy e l'AI Act europeo che si muovono, "tanto è solo un video per TikTok" non è una difesa.

Domande frequenti

Ho registrato in un ambiente rumoroso: posso pulire l'audio e poi clonare?

Puoi migliorare un po', non aspettarti miracoli. Il denoise non distingue la cappa dal tuo respiro: toglie il rumore e, insieme, anche un pezzo di timbro. Meglio riregistrare cinque minuti. Se proprio non hai un posto silenzioso, usa l'armadio, chiudi la porta, mettiti dei vestiti dietro. Sembra una stupidaggine, funziona meglio di metà dei plugin.

Per i video e-commerce, quanto deve essere lungo un segmento?

Taglia sull'inquadratura: 5-8 secondi per pezzo. Troppo lungo e non riesci a far combaciare accenti e ritmo con il montaggio; troppo corto e la frase suona spezzata. Generare a segmenti e unire dopo è molto più flessibile, e se sbagli non butti via tutto.

La voce clonata gratis si può usare per scopi commerciali?

Dipende dai termini della piattaforma e da come la usi. La mia regola è semplice: clono solo la mia voce, o voci di collaboratori con autorizzazione esplicita. Mai personaggi pubblici, mai speaker, mai file trovati in giro. Per un video di vendita il rischio è reale, non teorico. E su questo non tratto.

Oggi il flusso è fisso: otto minuti nell'armadio, upload, clonazione, segmenti, ascolto uno per uno, dentro il montaggio. I 37 video li ho chiusi in due sere.

Se stai per metterti a generare in blocco, fermati cinque minuti. Trova un angolo silenzioso e registra una traccia pulita, davvero pulita. Vale più di qualsiasi trucco. Lo dico dopo aver buttato 37 file — se ti risparmio quella serata, questo pezzo ha già fatto il suo lavoro.