Le voci sintetiche dei vecchi navigatori satellitari si riconoscevano subito: scandivano le parole in modo meccanico, con intonazioni innaturali. Oggi un sistema di sintesi vocale può leggere un articolo con pause, enfasi e respiri credibili, e altri modelli compongono brani musicali a partire da una descrizione testuale. Per capire come ci si è arrivati bisogna partire da come un computer rappresenta il suono.
Il suono come numeri
Un suono è una vibrazione dell'aria. Per digitalizzarlo, un microfono ne misura l'ampiezza moltissime volte al secondo: un audio di qualità CD usa 44.100 campioni al secondo, e la voce per le applicazioni di sintesi viene spesso trattata a frequenze di campionamento più basse. Un solo secondo di audio è quindi una sequenza di decine di migliaia di numeri, molto più lunga di una frase scritta.
Questa lunghezza è la difficoltà principale: generare direttamente ogni campione, uno dopo l'altro, è possibile ma costoso. Per questo i sistemi moderni lavorano spesso su rappresentazioni più compatte.
Lo spettrogramma
Uno spettrogramma è un'immagine del suono: sull'asse orizzontale c'è il tempo, su quello verticale le frequenze, e l'intensità di ogni punto indica quanta energia c'è a quella frequenza in quel momento. Le vocali appaiono come bande orizzontali, le consonanti come brevi esplosioni di rumore. In molti sistemi si usa una variante chiamata spettrogramma mel, che ridistribuisce le frequenze in modo simile a come le percepisce l'orecchio umano.
Come funziona la sintesi vocale
Un sistema di sintesi vocale (text-to-speech, TTS) segue di solito questa sequenza.
- Normalizzazione del testo. Numeri, abbreviazioni e simboli vengono convertiti in parole: "3 kg" diventa "tre chilogrammi", "dott." diventa "dottore". È un passaggio meno banale di quanto sembri, perché "1/2" può essere "un mezzo" o "uno febbraio".
- Conversione in fonemi. Il testo viene tradotto nei suoni della lingua. In italiano la corrispondenza tra grafia e pronuncia è abbastanza regolare, ma restano casi difficili come gli accenti tonici ("àncora" o "ancóra").
- Modello acustico. Una rete neurale genera, a partire dai fonemi, uno spettrogramma che descrive come dovrebbe suonare la frase, compresi ritmo e intonazione, cioè la prosodia.
- Vocoder. Un secondo modello, detto vocoder neurale, trasforma lo spettrogramma in un'onda sonora ascoltabile.
Molti sistemi recenti fondono questi passaggi in un unico modello addestrato dall'inizio alla fine, ma la logica di fondo resta la stessa.
Il salto di qualità: i token audio
Un'innovazione importante sono i codec audio neurali: modelli che comprimono il suono in una sequenza di simboli discreti, simili ai token del testo, e sanno poi ricostruirlo con buona fedeltà. Una volta trasformato l'audio in token, si possono usare architetture simili a quelle dei modelli linguistici: invece di prevedere la parola successiva, il modello prevede il prossimo frammento di suono. Questo approccio ha reso la voce sintetica molto più naturale e ha permesso di generare anche suoni non verbali, come risate o esitazioni.
La generazione di musica
La musica pone sfide ulteriori rispetto alla voce:
- struttura lunga: un brano ha strofe, ritornelli e variazioni che devono restare coerenti per minuti;
- più voci contemporanee: strumenti diversi suonano insieme e devono armonizzarsi;
- ritmo: piccoli errori di tempo si notano subito.
Gli approcci principali sono due. Il primo genera musica simbolica, cioè note e durate, come uno spartito digitale, che poi viene suonato da strumenti virtuali. Il secondo genera direttamente audio, usando token audio o modelli di diffusione applicati agli spettrogrammi. Il secondo produce risultati più ricchi, ma è più difficile da controllare nei dettagli.
| Approccio | Cosa genera | Vantaggio | Limite |
|---|---|---|---|
| Simbolico | Note e durate | Facile da modificare e arrangiare | Suono dipende dagli strumenti virtuali |
| Audio diretto | Forma d'onda o spettrogramma | Timbri e mix realistici | Difficile correggere una singola nota |
Usi legittimi e utili
- Accessibilità: lettura di testi per persone con disabilità visive o difficoltà di lettura.
- Audiolibri e contenuti formativi prodotti in più lingue.
- Assistenti vocali e centralini più comprensibili.
- Prototipazione musicale: provare un'idea di arrangiamento prima di registrarla.
- Recupero della voce per persone che rischiano di perderla per malattia, partendo da registrazioni fatte in precedenza.
Il consenso sulla voce
La voce è un tratto personale. Riprodurre la voce di una persona reale richiede il suo consenso esplicito, e i servizi seri lo verificano. Inoltre l'AI Act prevede obblighi di trasparenza per i contenuti audio generati artificialmente: chi li pubblica deve renderne riconoscibile la natura sintetica secondo le modalità previste. Sono regole di buon senso che tutelano sia le persone sia la fiducia nei contenuti.
In sintesi
- L'audio digitale è una lunghissima sequenza di campioni, spesso rappresentata come spettrogramma.
- La sintesi vocale passa da normalizzazione del testo, fonemi, modello acustico e vocoder.
- I codec audio neurali trasformano il suono in token e hanno reso le voci molto più naturali.
- La musica si genera in forma simbolica o direttamente come audio, con vantaggi diversi.
- Usare la voce di una persona reale richiede il suo consenso e trasparenza verso il pubblico.
