Come fare una voce fuori campo con l'IA senza effetto robot

Una voce fuori campo con l'IA è una traccia vocale generata al computer che legge il tuo script sopra un video, al posto di un narratore umano. Se è fatta bene, nessuno si accorge che è sintetica. Per arrivarci servono quattro cose: una voce adatta al contenuto, uno script scritto per essere detto invece che letto, un ritmo intorno alle 150-170 parole al minuto e un mix con una base musicale leggera e i sottotitoli sotto la voce.

Quasi tutti scelgono bene la voce e si fermano lì, poi si chiedono perché il risultato sembri ancora un robot che legge un manuale. La voce è forse un terzo del lavoro. Gli altri due terzi sono lo script e il mix, ed è lì che questo articolo passa la maggior parte del tempo.

Vale sia per un video a settimana sia per una programmazione quotidiana su più canali, il tipo di organizzazione che di solito si intende con automazione di YouTube. I meccanismi restano gli stessi. Cambia quanta parte puoi ancora fare a mano a quel ritmo.

Come funzionano davvero le voci IA

Ogni voce IA nasce da una rete neurale addestrata su ore di registrazioni di una persona che parla, un doppiatore ingaggiato o un insieme di più voci fuse in qualcosa di nuovo. Il modello impara la forma di quella voce: altezza, ritmo, respiro, i piccoli appigli tra una parola e l'altra. Quando gli dai un testo nuovo non incolla sillabe preregistrate come faceva la vecchia sintesi vocale dei centralini e dei navigatori. Genera l'audio da zero, un frammento alla volta, ed è per questo che riesce a dare un'intonazione naturale a una frase che non ha mai visto.

Non serve capire la matematica che c'è sotto per usarla bene. In pratica scegli una voce da un elenco, come sceglieresti un carattere tipografico, e il modello fa il resto. Quello che controlli tu, e che decide davvero come suona il risultato, è lo script che gli dai e le impostazioni che ci metti attorno, cioè la parte che quasi tutti saltano troppo in fretta. Lo schema che vediamo più spesso è questo: due script con lo stesso significato ma una punteggiatura diversa tornano indietro con un suono diverso, perché il modello reagisce alla forma della frase quanto al contenuto.

Un trucco più recente basato sulla stessa tecnologia è la clonazione vocale: dai al modello un breve campione, a volte cinque secondi, a volte un minuto, e può generare nuovo parlato con quella voce. È uno strumento vero, ed è anche la parte di tutto questo settore con più regole, di cui parliamo più avanti.

Lo stesso approccio neurale oggi gestisce decine di lingue, e sempre più modelli lo fanno dentro un unico sistema invece di avere un modello per lingua. Significa che uno script scritto in italiano può uscire in spagnolo, hindi o giapponese con un carattere vocale simile, anche se suonare simile non garantisce di suonare bene.

Scegliere la voce giusta

Scegli la voce prima di toccare ritmo o script, perché fissa un tetto a tutto il resto. Quattro elementi decidono se una voce è adatta: genere, età apparente, accento ed energia.

• Genere: abbinalo al tono del contenuto, non alla tua voce o al marchio del canale. Un riassunto true crime pacato e un unboxing esaltato spesso chiedono scelte opposte, e nessuna delle due è una regola, solo un punto di partenza da testare.
• Età apparente: le voci più giovani si adattano a riassunti veloci e contenuti di tendenza, quelle più mature o calde a video esplicativi, documentari e tutto ciò che deve sembrare autorevole.
• Accento: un italiano neutro, senza inflessioni regionali marcate, arriva al pubblico più ampio, ma un accento regionale autentico può rendere un racconto o un contenuto locale più specifico e meno generico.
• Energia: una voce con più brillantezza naturale regge meglio un gancio da 30 secondi rispetto a una piatta, ma la stessa brillantezza stanca in un video esplicativo da 15 minuti.

La piattaforma conta quanto il tipo di contenuto. Una voce che parte forte nei primi due secondi rende meglio su TikTok e sugli Shorts, dove algoritmo e spettatore decidono in fretta. Una voce più stabile e con meno energia tiene meglio l'attenzione in un video YouTube da 10 minuti, dove il compito è restare piacevole a lungo, non scuotere qualcuno per fargli smettere di scorrere.

Non scegliere una voce solo dalla clip di anteprima. Un campione da 10 secondi suona quasi sempre meglio di uno script completo, perché salta le frasi che mettono in luce i punti deboli di una voce, come i numeri o un nome pronunciato male. Genera un minuto intero del tuo script reale con due o tre voci prima di sceglierne una per tutto il video, soprattutto se stai avviando un canale senza volto e non sai ancora a quale voce risponde il tuo pubblico.

Abbinare una voce al contenuto

Ecco un punto di partenza per sette tipi di contenuto comuni. Consideralo un'impostazione predefinita, non un regolamento, e cambia qualsiasi voce appena i tuoi test dicono altro.

Nota che il ritmo cambia più del carattere della voce. Un documentario e uno script motivazionale vogliono entrambi una voce calda e profonda, ma quello motivazionale deve rallentare ancora di più nei momenti che contano.

Scrivere uno script che suoni parlato

Uno script scritto per essere letto non assomiglia per niente a uno scritto per essere ascoltato. Quando leggi un paragrafo, gli occhi possono tornare indietro se perdi il filo. Quando ascolti hai un solo passaggio, quindi ogni frase deve arrivare la prima volta.

• Tieni le frasi brevi. Se una frase ha bisogno di tre virgole per stare in piedi, sono due frasi.
• Usa un italiano parlato. "Te lo spiego in un minuto" suona come una persona. "Procederemo ora a illustrare" suona come una circolare, a meno che tu non voglia apposta quel registro formale, per esempio in uno script di notizie.
• Un'idea per riga. Se metti due idee nella stessa frase, la voce IA, come un lettore umano, deve indovinare dove va l'enfasi.
• Leggilo ad alta voce prima di generare qualsiasi cosa. Se inciampi su una frase leggendola tu, ci inciamperà anche la voce IA, solo con più garbo.

Gli script che superano la prova della lettura ad alta voce suonano quasi sempre meglio di quelli rifiniti solo sulla pagina, anche con la stessa identica voce. Se parti da una pagina bianca, il nostro generatore di script per video IA segue la stessa idea: prima frasi brevi e parlate, poi la rifinitura.

Formattare lo script perché l'IA lo legga bene

Oltre alla lunghezza delle frasi, ci sono alcune cose precise che mettono regolarmente in difficoltà un motore di sintesi vocale. Nessuna è difficile da sistemare, una volta che sai di doverla cercare.

Niente di tutto questo va fatto nella prima bozza. Scrivi in modo naturale, genera una prima versione, poi torna indietro e correggi solo le righe uscite male. La domanda che riceviamo più spesso sugli script è perché un nome o una sigla sono usciti storpiati. Scriverli foneticamente una volta risolve quasi sempre.

Ritmo e pause

La maggior parte del parlato colloquiale in inglese si aggira tra le 150 e le 170 parole al minuto, ed è un buon valore di partenza anche per quasi tutte le voci fuori campo IA. In italiano le parole sono mediamente un po' più lunghe, quindi fai una prova ascoltando invece di fidarti solo del numero. Le letture più veloci si adattano ai contenuti adrenalinici e ai conti alla rovescia, dove l'energia conta più della chiarezza. Quelle più lente si adattano a tutto ciò che contiene un numero, un nome o un'istruzione che lo spettatore deve davvero ricordare, perché la comprensione cala quando il ritmo supera la capacità di chi ascolta di elaborare quello che ha appena sentito. Un ritmo di 162 parole al minuto è una via di mezzo abbastanza sicura se preferisci non pensarci a ogni video.

La punteggiatura è il tuo controllo del ritmo, perché il modello ricava le pause da lì e non da indicazioni separate. Una virgola compra un respiro breve. Un punto ne compra uno vero. Un a capo, dove lo strumento lo rispetta, compra la pausa più lunga disponibile prima di dover intervenire a mano. Se una riga ha bisogno di un secondo pieno di silenzio prima della frase decisiva, di solito è il segnale che devi chiudere lì la frase precedente invece di cercare di ottenere una pausa più lunga con la punteggiatura.

Controlli di enfasi ed emozione

Alcuni strumenti offrono controlli diretti su come una voce interpreta una riga: cursori per stabilità ed espressività, un'impostazione per l'intensità dello stile o indicazioni tra parentesi come un sussurro o una risata. Dove esistono, le piccole regolazioni funzionano meglio di quelle grandi. Se spingi troppo l'espressività, una voce che sembrava sicura inizia a sembrare instabile.

Quando uno strumento non offre questi controlli, lo script stesso ti dà comunque molto materiale. Punteggiatura e struttura delle frasi fanno gran parte del lavoro emotivo: una frase breve dopo una lunga suona come un punto d'arrivo, un punto interrogativo cambia la forma dell'intera riga, e una parola da sola su una riga tende a pesare più della stessa parola sepolta a metà frase.

Cosa evitare

Evita tutto ciò che sembra un'indicazione di regia scritta direttamente nel testo parlato, come scrivere "(ride)" come istruzione letterale. Quasi tutte le voci la ignorano o, peggio, la leggono ad alta voce.

Voci multilingue e trappole della traduzione

Una voce IA multilingue sa davvero parlare spagnolo, hindi, giapponese e una dozzina di altre lingue, spesso mantenendo lo stesso carattere vocale in tutte. È una capacità reale, e rende oggi realistico per un piccolo creator raggiungere un pubblico in altre lingue.

Le trappole stanno quasi sempre nella traduzione. Uno script tradotto parola per parola risulta spesso più lungo o più corto dell'originale nella lingua di arrivo, e questo manda all'aria i tempi che avevi costruito. I modi di dire tradotti alla lettera diventano frasi senza senso. Il registro formale o informale conta in alcune lingue più di quanto si pensi, e sceglierlo male può rendere rigido uno script amichevole o, peggio, maleducato. Numeri, unità di misura e valute vanno convertiti oltre che tradotti, altrimenti ti ritrovi uno script che parla di "dieci miglia" in un paese che misura in chilometri.

Se stai provando una lingua nuova, genera prima una breve sezione e falla controllare da un madrelingua prima di impegnarti su uno script completo. I nostri strumenti gratuiti di sintesi vocale in spagnolo e sintesi vocale in hindi sono un modo rapido per ascoltare una lingua prima di costruirci sopra un'intera voce fuori campo.

Cosa consente la clonazione vocale

La clonazione vocale prende una breve registrazione di una voce reale, di solito la tua, e permette a un modello di generare con quella voce frasi che non hai mai detto. Per chi lavora da solo è uno strumento vero: registri cinque minuti una volta, e puoi aggiornare uno script a mezzanotte senza registrare nulla di nuovo.

Clona solo la tua voce, o una voce che hai il permesso scritto esplicito di usare. Clonare una celebrità, un altro creator o chiunque altro senza consenso viola le regole di quasi tutte le piattaforme e, a seconda di dove vivete tu e quella persona, può essere anche un problema legale. È anche il tipo di scorciatoia che di solito chiude un canale invece di farlo crescere.

Il rischio legale e quello con le piattaforme sono reali, ma c'è un motivo più semplice per restare nei limiti: una voce clonata senza permesso di solito viene riconosciuta come falsa da chiunque conosca la persona vera, e questo vanifica il senso stesso di usare una voce dal suono naturale.

Il mix tra voce, musica e sottotitoli

Una voce fuori campo suona finita solo quando sta dentro un mix vero: voce sopra, musica bassa sotto, sottotitoli sincronizzati con quello che si dice davvero. Se sbagli uno dei tre elementi, rovini anche gli altri due.

Livelli che funzionano sempre

Come punto di partenza, tieni la musica di sottofondo circa 12-18 decibel più bassa della voce, più vicino ai 15 se nella traccia si sente qualche parte cantata. Abbassala ancora sotto ogni frase che contiene informazioni davvero importanti. Se riesci a canticchiare la musica mentre la voce parla, è troppo alta. Se il video sembra in silenzio assoluto tra una frase e l'altra, probabilmente è la musica a essere troppo bassa, non il ritmo.

I sottotitoli devono seguire le parole esatte nel momento esatto in cui vengono dette, non una parafrasi approssimativa che arriva tre parole dopo. Quasi tutti gli strumenti che generano una voce fuori campo IA possono generare anche i tempi parola per parola per guidare i sottotitoli in automatico, e conviene usarli anche se di solito scrivi i sottotitoli a mano, perché ti evitano di risincronizzare tutto ogni volta che ritocchi una riga.

Anche il volume complessivo va verificato sulla piattaforma, oltre che nelle tue cuffie. Un mix che sembra equilibrato su buoni altoparlanti può suonare decisamente basso su un telefono in una stanza rumorosa, quindi un ultimo ascolto a volume basso dall'altoparlante del telefono scova problemi che un impianto da studio nasconde.

Errori che rendono finta una voce fuori campo

• Script a muro di testo. Uno script scritto come tre lunghi paragrafi senza pause naturali suona esattamente così ad alta voce: piatto, affrettato, faticoso da ascoltare.
• Ritmo sbagliato per il contenuto. Un documentario a 200 parole al minuto sembra un'avvertenza legale. Un video adrenalinico a 130 parole al minuto sembra che stia prendendo tempo.
• Una voce che non c'entra. Una voce giovane e brillante che legge una spiegazione finanziaria seria, o una voce profonda e autorevole che legge il riassunto di un meme, rompe la fiducia prima ancora che il contenuto abbia una possibilità.
• Niente sottotitoli, o sottotitoli che vanno fuori tempo. Una voce fuori campo che nessuno può sentire è come se non esistesse, e una buona parte dei video brevi viene guardata senza audio nei primi secondi. Il disallineamento è lo stesso problema in un'altra forma: sottotitoli in ritardo di due righe rispetto alla voce sembrano un errore anche con l'audio acceso.
• Interpretazione monotona. Una voce generata con un'unica impostazione piatta per ogni riga, senza differenze tra il gancio iniziale e il pensiero finale, stanca anche quando ogni singola frase suona bene da sola.
• Saltare la prova della lettura ad alta voce. Quasi ogni riga IA goffa risale a una frase che chi l'ha scritta non ha mai detto ad alta voce prima di generarla.

Cosa aspettarsi dagli strumenti gratuiti per la voce fuori campo IA

Non ti serve un account a pagamento per capire se una voce fuori campo IA è adatta al tuo canale. Genera gratis qualche riga, riascoltala sui tuoi altoparlanti e decidi prima di spendere qualsiasi cosa. Aspettati un elenco di voci più ridotto rispetto alla libreria completa, un limite a quanto puoi generare al giorno e modelli vocali standard invece che premium. Alcuni strumenti aggiungono anche una piccola filigrana agli export video, mentre l'audio da solo di solito è senza marchi.

La versione gratuita va benissimo per provare una voce, uno script o una lingua prima di impegnarti. Diventa limitante quando pubblichi ogni giorno e ti servono una voce clonata, script più lunghi o export senza filigrana: a quel punto un piano a pagamento si ripaga in fretta, soprattutto se è un generatore di video IA completo che crea anche immagini e sottotitoli.

Creare una voce fuori campo dentro un generatore video

Ecco la sequenza reale per creare una voce fuori campo IA dentro un generatore video, dallo script vuoto al mix finito.

1. 1Scrivi prima lo script, da solo, prima di toccare qualsiasi strumento. Leggilo ad alta voce una volta e sistema tutto ciò su cui inciampi.
2. 2Formatta i punti difficili: numeri in lettere, nomi complicati scritti foneticamente, frasi lunghe divise in due, usando la tabella di formattazione qui sopra come checklist.
3. 3Scegli una voce adatta al tipo di contenuto (documentario, classifica, racconto e gli altri vogliono impostazioni diverse, come visto prima) e imposta il ritmo, di solito 150-170 parole al minuto a meno che il contenuto non chieda di andare più veloce o più piano. Un canale di studio insieme di solito vuole la parte più lenta di quella fascia, con pochissima energia nella voce.
4. 4Genera una prima versione e ascoltala tutta una volta prima di modificare qualsiasi cosa. Annota le due o tre righe che non suonano bene invece di correggere ogni piccolo dettaglio al volo.
5. 5Aggiungi una base musicale sotto la voce, tienila bassa e lascia che i sottotitoli vengano generati dallo stesso audio, così restano sincronizzati in automatico.
6. 6Esporta e riguardalo sulla piattaforma su cui pubblicherai davvero, perché un mix che suona bene in cuffia può suonare diverso dall'altoparlante di un telefono.

Se vuoi provare senza installare nulla, il nostro strumento gratuito di sintesi vocale per YouTube e il generatore di voci per TikTok ti permettono di generare e scaricare una voce fuori campo IA in un paio di minuti.

La nostra pagina sulla voce fuori campo IA spiega per intero voci, lingue e controlli, se vuoi approfondire la narrazione prima di passare alle immagini. Leggila una volta, scegli una voce e genera oggi la tua prima versione vera invece di rimandare di un'altra settimana.