Puntata 138
Puntata 138 — ElevenLabs e voci AI
Livello: ✔️✔️ Doppie Spunte Blu · Capitolo 13 · Creatività multimodale
Tre minuti di audio della tua voce. Cinque dollari al mese. Da quel momento, l’AI può leggere qualunque libro nel tuo timbro. I doppiatori non dormono benissimo.
Il salto degli ultimi 24 mesi
Nel 2022 le voci AI suonavano palesemente sintetiche: il “robotic” che riconoscevi a un secondo.
Nel 2024-25 (ElevenLabs v2/v3, OpenAI TTS, Google) la quality ha fatto un salto dirompente:
- Pronuncia corretta dell’italiano (incluse parole rare e nomi propri).
- Intonazione emozionale (gioia, tristezza, ironia, sussurro).
- Pause naturali, respirazione, “uhm”, “ah” plausibili.
- Voice cloning da 3-30 secondi di sample audio.
Risultato 2026: in un test ABX (puntata 252) sentire una voce ElevenLabs Pro vs umano è difficile per la maggior parte degli ascoltatori. Su clip lunghe ancora qualche dettaglio “tradisce”, ma sempre meno.
I player principali nel 2026
| Servizio | Punto forte | Note |
|---|---|---|
| ElevenLabs | Qualità + voice cloning + ricco multilingua | Standard de facto. Pro: $5–$330/mese |
OpenAI TTS (gpt-4o-tts) | Integrato con API, voci di default solide | $15/1M caratteri |
| Google Cloud Text-to-Speech | Voci “Studio” qualità alta, integrato con GCP | Pricing enterprise |
| Microsoft Azure Neural Voice | Custom voice training enterprise | Per grandi aziende |
| PlayHT | Buon TTS commerciale | Alternativa a ElevenLabs |
| Suno Bark (open source) | TTS open, anche con effetti | Tecnico, da auto-hostare |
| Camb.ai | Doppiaggio cross-lingue (voice + traduzione) | Per video |
Per uso quotidiano consumer → ElevenLabs vince per qualità e UX. Per uso programmatico → OpenAI TTS + ElevenLabs sono i due da valutare.
Le tre cose che fa ElevenLabs (oggi)
1. Text-to-Speech (TTS)
Scrivi un testo, scegli una voce (preset o tua clonata), generi audio. Output MP3/WAV.
Controlli:
- Stability (0-1): più stabile = pronuncia più consistente ma meno espressiva.
- Similarity (0-1): quanto la voce risultante deve aderire al sample originale.
- Style (0-1): quanto enfatizzare l’intonazione del testo.
- Speaker boost: maggior fedeltà al timbro originale, leggermente meno fluido.
2. Voice Cloning
- Instant Voice Cloning: 30 secondi-1 minuto di sample. Voce “buona” pronta in 30 secondi.
- Professional Voice Cloning (piano Creator+): 30+ minuti di sample. Voce eccellente pronta in 24-48 ore.
⚠️ ElevenLabs richiede conferma esplicita che hai il diritto di clonare la voce (la tua o di chi ha firmato un consenso). Vedi puntate 259 (voice scam) e 142 (diritti).
3. Dubbing
Carichi un video, ElevenLabs:
- Trascrive l’audio originale.
- Lo traduce nella lingua target.
- Genera audio nella voce dell’attore originale (o in una voce diversa).
- Sincronizza con i tagli del video.
Risultato: video doppiato in 30 lingue in pochi minuti. Quality 2026: ottima per parlato chiaro, ancora imperfetta per recitazione drammatica.
Il “voice clone” in pratica
Workflow per clonare la tua voce:
- Registra 2-3 minuti in ambiente silenzioso, con microfono decente (anche un AirPods Pro va bene).
- Leggi un testo vario (espressioni, emozioni, intonazioni).
- Upload su ElevenLabs → “Instant Voice Clone”.
- Generi qualunque testo nella tua voce in pochi secondi.
Risultati realistici:
- ✅ Testi narrativi, audiolibri: ottimo.
- ✅ Voci per video YouTube/Instagram: ottimo.
- ⚠️ Recitazione drammatica intensa: spesso flat.
- ⚠️ Pronuncia di parole rare in lingue diverse dal sample: occasionali errori.
I casi d’uso che funzionano davvero
| Caso d’uso | Verdict |
|---|---|
| Audiolibri indie | ⭐⭐⭐⭐⭐ — sostituisce i lettori freelance per molti |
| Voce per video YouTube/TikTok | ⭐⭐⭐⭐⭐ — perfetto, anche per chi odia parlare |
| Doppiaggio di corsi online | ⭐⭐⭐⭐ — qualità sufficiente, risparmio enorme |
| IVR aziendali (centralino) | ⭐⭐⭐⭐⭐ — meglio delle voci sintetiche storiche |
| Spot pubblicitari TV/radio | ⭐⭐⭐ — dipende dalla qualità desiderata |
| Doppiaggio cinema | ⭐⭐ — i grandi studi usano ancora attori, per ora |
| Audio messages personali | ⭐⭐ — etica delicata, usare con consenso |
Costo reale (esempio)
Pacchetto ElevenLabs Creator ($22/mese, 100k caratteri):
- ~3-4 ore di audiolibro generato.
- ~200 video YouTube da 3 minuti.
- ~50 podcast da 10 minuti.
Per uso medio: $5-$22/mese coprono tutto. Per produzioni intense: piano Pro ($99/mese, 500k caratteri).
Confronta con: doppiatore freelance Italia, ~€80-€200/ora di registrazione.
I rischi: scam vocali e deepfake
Il voice cloning ha un lato oscuro già diffuso:
- Scam telefonici: “Mamma, ho perso il telefono, mandami soldi” con voce clonata. Vedi puntata 259 (livello Yoda) e 72 (livello Boomer).
- Deepfake politici e CEO: audio falsi attribuiti a personaggi pubblici.
- Frodi bancarie: alcune banche accettavano riconoscimento vocale come auth. Disastro.
Mitigazioni:
- Le piattaforme leader (ElevenLabs, OpenAI) richiedono consenso prima del clone.
- Tutti gli output ElevenLabs hanno watermark inaudibile rilevabile con strumenti dedicati.
- Standard C2PA (vedi puntata 143) sta entrando nei tool di authoring.
Ma il software open source (XTTS, Coqui, RVC) non ha questi vincoli. La regola operativa: mai fidarsi della voce al telefono per decisioni finanziarie. Sempre verificare con secondo canale.
TEST pratico (15 minuti)
- Crea account gratis su elevenlabs.io (10 minuti gratis al mese inclusi).
- Genera un testo (es. l’incipit del tuo libro preferito) usando una voce italiana predefinita.
- Confronta stability alta vs bassa: la stessa frase con stability 0.3 (espressiva) vs 0.8 (stabile).
- Clona la tua voce: registra 1 minuto leggendo qualcosa di vario. Usa Instant Voice Clone. Genera quello stesso testo nella tua voce.
- Domanda di consapevolezza: ti riconosci? Quanto è plausibile? Se è abbastanza buono, immagina uno scammer che lo usa contro tua madre. Quel discorso telefonico avviene già nel 2026. Vedi puntata 72.
Glossario lampo
- TTS (Text-to-Speech): tecnologia che converte testo in audio parlato.
- Voice cloning: creare un modello che riproduce un timbro vocale specifico da sample audio.
- Stability/Similarity: i due parametri chiave di ElevenLabs per controllare consistenza e fedeltà.
- C2PA: standard di provenance dei contenuti (chi/cosa/quando creato). Vedi puntata 143.
Take-away in una riga
ElevenLabs ha reso il voice cloning una commodity da $5/mese. Per audiolibri e video è un acceleratore enorme; per scam telefonici è una piaga. Trattalo come un coltello: utile e pericoloso.
➡️ Prossima puntata: Suno e Udio — comporre musica dal nulla, e perché Spotify ha appena pubblicato un advisory sui modelli AI.