Testo in Voce (TTS) — Guida Completa
La sintesi vocale (Text-to-Speech, TTS) converte testo scritto in parlato artificiale, aprendo l'accesso ai contenuti per persone con disabilità visive o dislessia, abilitando assistenti vocali, audiolibri automatici e interfacce hands-free. La tecnologia è radicalmente migliorata nell'ultimo decennio: le voci neurali moderne sono quasi indistinguibili dal parlato umano naturale, e la Web Speech API permette la sintesi direttamente nel browser senza installazioni.
📖 Storia
Il primo sintetizzatore vocale elettronico, il VODER (Voice Operating DEmonstratoR), fu presentato da Homer Dudley alla World's Fair di New York nel 1939. Negli anni '80 e '90 i sistemi TTS concatenativi (Festival, MBROLA) assemblavano segmenti di voce pre-registrata — suono robotico ma intelligibile.
La svolta qualitativa arrivò con WaveNet di Google DeepMind nel 2016: una rete neurale convoluzionale che genera forme d'onda audio campione per campione, producendo una naturalezza senza precedenti. Amazon Polly (2016) e Google Cloud TTS portarono voci neurali alle API commerciali. VALL-E di Microsoft (2023) riesce a clonare una voce da soli 3 secondi di audio — aprendo possibilità straordinarie e rischi etici significativi.
💡 Curiosità
- Si stima che 253 milioni di persone nel mondo abbiano disabilità visiva — la sintesi vocale è tecnologia assistiva critica per l'accesso digitale.
- Il MOS (Mean Opinion Score) misura la qualità percepita delle voci sintetiche su scala 1-5: le voci neurali moderne raggiungono 4,3-4,5, vicinissimo alla voce umana (4,5-4,8).
- La Web Speech API è supportata nativamente da Chrome, Edge e Safari — permette sintesi e riconoscimento vocale nel browser senza librerie esterne.
- SSML (Speech Synthesis Markup Language) è lo standard W3C per controllare prosodia, pause, enfasi e pronuncia nel TTS — usato da Alexa, Google Assistant e altri.
❓ Domande Frequenti
Qual è la differenza tra TTS concatenativo e neurale?
Il TTS concatenativo assembla frammenti di voce pre-registrata (difonimi) — suona artificioso perché i giunti tra segmenti sono udibili. Il TTS neurale (WaveNet, Tacotron, VITS) genera l'audio end-to-end con reti neurali — produce prosodia naturale, ritmo e intonazione realistici. La differenza qualitativa è immediatamente percepibile.
Come controllare velocità e intonazione nel TTS?
La Web Speech API espone proprietà come rate (0,1-10, default 1), pitch (0-2, default 1) e volume (0-1). Per controllo avanzato si usa SSML: <prosody rate="slow" pitch="+2st"> rallenterebbe la voce e alzerebbe il tono di 2 semitoni. API come Google Cloud TTS e Amazon Polly supportano SSML completo.
Quali formati audio si ottengono dal TTS?
Le API cloud TTS (Google, Amazon, Azure) restituiscono MP3, OGG Vorbis, WAV o OPUS. La Web Speech API del browser non produce file audio scaricabili — sintetizza direttamente verso l'altoparlante. Per registrare l'output del browser serve un Audio Context con MediaStreamDestination per catturare il flusso audio.
Altre guide
📏 Conversione di Lunghezza e Distanza ⬛ Conversione di Superficie 🧊 Conversione di Volume ⚖️ Conversione di Peso e Massa 🌡️ Conversione di Temperatura