Perché la narrazione AI oggi suona umana, e dove ancora sbaglia

Se pensando al text-to-speech ti viene in mente una voce piatta e robotica che sbaglia la pronuncia di tutto, quel ricordo è vecchio. La narrazione sintetica è migliorata in fretta, e oggi è abbastanza piacevole da ascoltare per ore. Vale la pena capire cosa è cambiato: un po’ perché è interessante, un po’ perché ti aiuta a ottenere la lettura migliore e a sapere dove ridimensionare le aspettative.

Com’era prima, e perché sembrava un robot

Per decenni il text-to-speech ha funzionato in uno di due modi meccanici.

Il primo, il più vecchio, costruiva la voce a partire da regole su come si formano vocali e consonanti. Ne usciva quel suono inconfondibile, ronzante e artificiale. Il metodo successivo, la sintesi concatenativa, registrava una persona vera mentre pronunciava migliaia di piccoli frammenti sonori e poi li montava insieme in tempo reale. Sulla singola parola suonava più umana, ma i punti di giunzione si sentivano e mancava il senso della frase intera. Le parole riusciva a pronunciarle, ma non a dargli un’intonazione.

A tutto questo mancava la prosodia, cioè la melodia del parlato. Il tono che sale alla fine di una domanda, l’accento che cade sulla parola importante, la breve pausa prima di un colpo di scena. È soprattutto la prosodia a rendere viva una voce, e i sistemi a regole e a frammenti ne avevano ben poca.

Cosa è cambiato: modelli che imparano come scorre il parlato

La narrazione di oggi nasce da reti neurali addestrate su enormi quantità di parlato umano vero. Invece di montare frammenti, il modello impara com’è fatta una lettura naturale e produce il suono tutto insieme. La prosodia la ricava dagli esempi, non da regole fisse: così nella maggior parte dei casi fa salire il tono sulla domanda e mette l’accento sulla parola giusta.

A far crescere la qualità sono soprattutto due cose. I modelli più grandi, addestrati su parlato sempre più ampio e vario, colgono più sfumature. E generare l’audio in anticipo, invece che al volo mentre lo ascolti, lascia al sistema il tempo di ragionare su una frase e un paragrafo interi, dosando ritmo ed enfasi perché sa già cosa arriva dopo. È soprattutto grazie a questo che l’audio da studio nel cloud suona pensato e scorrevole, mentre una voce leggera che lavora in tempo reale suona al massimo corretta.

Dove il parlato sintetico inciampa ancora

Il problema non è risolto, e fingere il contrario non serve a nessuno. Alcune cose mettono ancora in difficoltà anche i sistemi migliori:

Nomi insoliti e parole inventate. Nomi fantasy, cognomi rari, termini presi da altre lingue: il modello tira a indovinare, e a volte sbaglia.
Omografi. Parole scritte uguali ma pronunciate in modo diverso. «i prìncipi medievali» contro «i princìpi di base», «una bòtte di vino» contro «prendersi le bòtte». Per scegliere il modello deve capire il senso della frase, e ogni tanto lo sbaglia.
Ironia e sottotesto. Una battuta sarcastica viene letta in modo neutro, perché le parole da sole non trasmettono il tono. Un narratore umano lo aggiunge perché capisce cosa sta leggendo.
Enfasi che dipende dal contesto lontano. Quando il peso di una parola dipende da qualcosa detto molto prima, magari tre paragrafi indietro, è difficile darle la giusta intonazione.

Sono i limiti di oggi. Si stanno riducendo, ma restano reali, ed è per questo che su un libro che vive di interpretazione un grande narratore umano fa ancora la differenza.

Come ottenere la lettura più naturale

Detto questo, qualche accorgimento pratico aiuta:

Per i libri che lo meritano, scegli la voce migliore. Sul telefono, le voci del dispositivo sono gratis e partono subito, ma restano un po’ piatte. L’audio generato nel cloud, con modelli molto più grandi, suona decisamente più umano. In BookNPC è la versione studio, e il confronto tra le due lo trovi in narrazione sul dispositivo o nel cloud.
Su iOS, installa le voci di sistema premium. Migliorano parecchio anche l’ascolto gratuito sul dispositivo. C’è una breve guida.
Parti da una copia pulita del libro. La voce sintetica suona bene solo quanto il testo che le dai. Un EPUB ordinato, con una struttura chiara, scorre liscio. Un file esportato male fa inciampare qualsiasi voce.

In sintesi, onestamente

La narrazione AI è passata da «si sopporta, se serve per accessibilità» a «si ascolta per piacere». Sulla maggior parte dei libri, ormai, suona naturale. Sui libri dove l’interpretazione è tutto non regge ancora il confronto con i migliori narratori umani, e ogni tanto storpia un nome o un gioco di parole. Sono vere entrambe le cose.

Il cambiamento che vale la pena ricordare è questo: puoi sentire qualsiasi libro tu possieda con un suono naturale, non solo i pochi registrati per il mercato. BookNPC genera nel cloud l’audio da studio e usa le voci del tuo dispositivo per la versione gratuita, così puoi sentire a che punto è la tecnologia su un libro scelto da te.