Ho clonato la mia voce con una registrazione in metro: disastro. Poi ho convertito 80 pagine di dispense in audio con un TTS gratuito
La voce negli auricolari era la mia. Identica, fin troppo. Solo che a metà frase, con calma da annunciatrice, ha detto: «Prossima fermata, Porta Genova».
Ho riso da solo, in cucina, a mezzanotte. Poi ho smesso di ridere.
Un mese fa mi ero messo in testa una cosa semplice. Ottanta pagine di dispense di un corso, un PDF impaginato fitto come la lista della spesa scritta da un farmacista. Volevo ascoltarle in tram invece di arrivare in ufficio con gli occhi a quadretti. L'idea era: clonare la mia voce e far leggere a «me» le dispense. Più familiare, no?
Il primo tentativo è durato tre minuti e dodici secondi, registrati in metropolitana in ora di punta. Convinto di essere furbo: quel tempo lo butto via comunque, tanto vale usarlo per leggere un pezzo a voce alta.
Errore numero uno. Non l'ultimo.
Il problema non era lo strumento. Ero io, con il microfono nel posto sbagliato
La prima frase è uscita bene, devo ammetterlo. Dalla seconda ho capito che qualcosa non andava: sembrava che parlassi sott'acqua, con un ronzio basso attaccato alle vocali. Alla quarta frase è arrivato il colpo di scena — l'annuncio della fermata, incorporato nel timbro come se fosse una mia caratteristica vocale.
Ci ho messo tre riascolti per crederci. Il modello non aveva imparato la mia voce: aveva imparato la mia voce più il vagone. Che è una cosa diversa, e decisamente peggiore.
Quel pomeriggio ho ricontrollato tutto con l'ansia di chi ha appena cancellato una cartella per sbaglio. Stavo usando uno strumento di clonazione vocale online, non un registratore di annunci ferroviari. Eppure il risultato era lì.
Tre cose che credevo innocue (e che invece rovinano tutto)
Il rumore non è sfondo, è caratteristica. Questo è l'errore che mi è costato di più. Pensavo che la clonazione isolasse la voce e buttasse via il resto. In realtà il modello impara le proprietà statistiche di tutto l'audio che gli dai: il ronzio continuo del motore, la signora che parla al telefono due posti più in là, i colpi di consonante che il telefono produce quando lo tieni a un centimetro dalla bocca. Materiale sporco, risultato sporco. Senza eccezioni.
Durata e ritmo contano più del timbro. Nei miei tre minuti, almeno due li ho passati a parlare sottovoce per non disturbare, con un'andatura che accelerava e rallentava senza logica. Il campione era corto e instabile. Con quelle premesse, nessun generatore di voce gratuito al mondo poteva fare miracoli.
La riduzione del rumore del telefono ti sabota. La cancellazione del rumore in chiamata esiste per farti capire al telefono, e per farlo taglia una parte delle armoniche della voce. In una chiamata è un bene. In una clonazione è un disastro: senza armoniche il timbro si appiattisce e diventa... generico.
Capito il problema, sono ripartito da zero sulla pagina di clonazione vocale. Questa volta con calma.
Secondo tentativo: armadio, piumino d'inverno e tre minuti
Mi sono chiuso nell'armadio, con il piumino invernale ammassato accanto a fare da pannello fonoassorbente. Telefono in modalità aereo, a venti centimetri dalla bocca, mai appoggiato al viso. Ho letto un testo scritto da me, frasi di lunghezza irregolare, ritmo leggermente più lento del normale.
Tre minuti. Solo tre.
La voce che è uscita mi sembrava sbagliata — ma a chi non sembra sbagliata la propria voce registrata? Poi mia madre, dalla stanza accanto, ha detto: «Ma sei tu». Bene. Promosso.
A quel punto è iniziata la parte vera: trasformare le dispense in qualcosa di ascoltabile. E qui ho scoperto che la sintesi vocale gratuita ha una soglia d'ingresso molto più bassa di quanto immaginassi.
Dalle dispense all'audio: la parte noiosa che nessuno racconta
Buttare il PDF dentro e premere play non funziona. Ho fatto così:
- via intestazioni, piè di pagina, numeri di pagina e richiami bibliografici;
- formule e tabelle estratte a parte e sostituite con una descrizione parlata («qui c'è una tabella a tre righe: a sinistra il metodo, a destra l'accuratezza»);
- una frase di orientamento prima di ogni titolo («Parte prima», «Parte seconda»), così l'orecchio ha dei punti di riferimento.
Il testo pulito l'ho passato a un convertitore da testo a voce, scegliendo la voce che avevo appena clonato, e generando tutto a blocchi. Le ottanta pagine sono diventate undici segmenti da sette-otto minuti: esattamente la durata di un tragitto casa-ufficio.
Sentire la propria voce pronunciare «inferenza bayesiana» è una sensazione strana. In pratica stavo usando un doppiaggio IA gratuito per leggere al posto mio, con l'unica differenza che il doppiatore ero io.
Quattro dettagli che ho imparato solo sbattendoci la testa:
- Meglio un campione corto e pulito che uno lungo e rumoroso. Tre minuti in silenzio battono mezz'ora di registrazione in sala riunioni.
- Non generare segmenti troppo lunghi. Oltre i quindici minuti l'ascolto si fa pesante e non puoi riprendere da dove eri rimasto.
- Riscrivi numeri e sigle prima di generare. «2024» va scritto «duemilaventiquattro», «GDPR» va scritto «gi di pi erre», altrimenti l'audio inciampa.
- Ascolta dieci secondi prima di lanciare tutto. Ti risparmi di scoprire a fine elaborazione che avevi selezionato la voce sbagliata.
Quando il flusso ha funzionato, l'ho mostrato a un'amica che fa volontariato in un'associazione che produce audiolibri per ipovedenti. Il loro caso è molto più serio del mio: manuali, tesi, documenti normativi, centinaia di pagine. Per loro conta più la possibilità di avere voce sintetica senza registrazione e nessun limite di caratteri che la somiglianza del timbro.
Avevo anche pensato di cercare una API di sintesi vocale gratuita e scrivermi uno script per il batch. Poi ho scoperto che passare dalla pagina web era semplicemente più veloce, e ho lasciato perdere. La cosa che apprezzo di più è non dover creare un account: apri, incolli, generi. Per chi lo usa una volta ogni tanto è la differenza tra provare e rinunciare.
E una volta che la clonazione vocale gratuita e il testo a voce gratuito stanno nello stesso posto, il salto mentale è fatto: la tua voce diventa un motore di lettura che puoi richiamare quante volte vuoi. Dieci pagine o duecento, non cambia niente.
Una cosa che in Italia conta: la tua voce è un dato
Vale la pena fermarsi un secondo qui, perché non è un dettaglio da nerd. Quando la voce viene usata per identificare una persona, il GDPR la tratta come dato biometrico. Se carichi campioni vocali di qualcun altro — un collega, un attore, un cliente — stai trattando dati personali senza base giuridica, e il Garante non è famoso per la pazienza.
Per uso personale, sulla tua voce, il discorso è semplice. Per un doppiaggio IA gratuito su un canale YouTube o per la voce fuori campo di un Reel, invece, leggete bene le condizioni del servizio e siate trasparenti con chi vi ascolta. Non è burocrazia: è la differenza tra un progetto che dura e una segnalazione.
FAQ
La voce clonata non assomiglia alla mia. Cosa controllo?
Quasi sempre è il materiale, non lo strumento. Verifica tre cose: se nel file c'è qualcun altro che parla, se c'è un rumore di fondo continuo, se il ritmo è irregolare. Poi c'è un fattore che quasi tutti trascurano: l'emozione. Se registri il campione leggendo un testo concitato, la voce che ottieni sarà concitata anche quando legge una dispensa di statistica. Registra con il tono con cui parli normalmente, non recitare.
Come gestisco formule, grafici e codice?
Non sperare che il TTS li legga. Io li trasformo in descrizioni parlate e le inserisco nel punto corrispondente: la formula diventa «sigma da i uguale uno a n», la tabella diventa «questa tabella ha tre righe, la prima è...», il blocco di codice lo salto del tutto e dico solo «qui c'è un listato, vedi pagina tot dell'originale». Sembra goffo, ma l'orecchio segue senza sforzo.
Gli strumenti online senza registrazione hanno limiti di utilizzo?
Con l'uso che ne faccio io, in mesi non ho mai sbattuto contro un muro. Le condizioni dei siti però cambiano, quindi vale sempre la regola generale: non puntare tutto su un solo servizio. Per i testi lunghi e importanti, una volta generato l'audio scaricalo e tienilo in locale. E se ti interessa il tema del trattamento di documenti lunghi, in questa raccolta di guide ci sono spunti simili ai miei.
Se anche tu hai un PDF che ti fa venire il mal di testa solo a guardarlo — dispense, tesi, un manuale di prodotto, un bando — stasera puoi già iniziare. Chiuditi in una stanza silenziosa, registra tre minuti della tua voce con calma, scrivi frasi semplici, e poi vai su clonare voce gratis e prova. Il resto è solo pazienza con la formattazione.
E per favore: non registrare in metropolitana. Non serve un altro annuncio di fermata dentro le dispense di nessuno.