Testo a voce

Come funziona la Web Speech API

I browser espongono un'interfaccia SpeechSynthesis (parte della Web Speech API, originariamente redatta dal W3C Speech API Community Group) che prende il testo e una voce scelta e produce parlato udibile tramite il motore TTS del sistema operativo sottostante. La superficie dell'API è compatta ma potente: speechSynthesis.speak(utterance) avvia la sintesi, cancel() / pause() / resume() ne controllano la riproduzione e getVoices() elenca tutte le voci esposte dal sistema operativo. Ogni SpeechSynthesisUtterance contiene il testo, il tag della lingua, la voce, la velocità, il tono e il volume.

L'audio viene generato dal sistema operativo, non dal browser. macOS e iOS includono decine di voci di alta qualità integrate nel sistema. Windows espone le voci installate tramite Impostazioni → Ora e lingua → Sintesi vocale. Android usa il motore Google Text-to-Speech (o alternative come Samsung TTS). Su Linux si usa qualsiasi configurazione speech-dispatcher / espeak fornita dalla distribuzione, spesso dal suono robotico per impostazione predefinita, a meno che non sia stato installato un motore più ricco.

La distinzione tra cloud e locale in termini di privacy

Non tutte le voci del «browser» vengono eseguite sul dispositivo. Alcuni browser inviano il testo a un server remoto per sintetizzare l'audio con voci di qualità superiore, poi trasmettono il risultato in streaming. Questo ha implicazioni per la privacy:

• Safari (macOS / iOS): la sintesi avviene interamente sul dispositivo. Le voci di Apple, incluse quelle naturali in stile Siri, sono integrate nel sistema operativo. Nessun testo lascia il dispositivo.
• Chrome (desktop e Android): per alcune voci etichettate come «Google», il testo viene inviato al servizio TTS di Google per generare l'audio. Le altre voci di Chrome che rispecchiano le voci locali del sistema operativo restano sul dispositivo. La proprietà SpeechSynthesisVoice.localService indica di quale tipo si tratta (true = sul dispositivo, false = cloud).
• Microsoft Edge: schema simile. Le voci di alta qualità «Online Natural» di Edge instradano il testo verso il cloud TTS di Microsoft; le voci standard del sistema operativo restano locali.
• Firefox: il supporto alla Web Speech API è storicamente limitato; sui sistemi in cui funziona, usa il motore del sistema operativo.

Se il testo è sensibile (bozze di documenti riservati, comunicazioni interne aziendali, qualsiasi cosa che non si vorrebbe copiata da terze parti) è opportuno scegliere una voce contrassegnata come locale. Se nell'elenco a discesa non compaiono voci locali, installare i pacchetti vocali del sistema operativo e appariranno lì.

Casi d'uso comuni

• Accessibilità. I lettori di schermo (VoiceOver, NVDA, JAWS, TalkBack) gestiscono il lavoro pesante per gli utenti non vedenti e ipovedenti, ma un pratico strumento TTS aiuta chiunque (dislessia, affaticamento visivo, stanchezza) ad ascoltare il testo letto ad alta voce di tanto in tanto.
• Revisione dei testi. Sentire la propria scrittura riletta ad alta voce aiuta a individuare frasi scomode, parole mancanti e problemi di ritmo che la lettura silenziosa lascia scivolare via. Un trucco comune tra gli scrittori professionisti.
• Pronuncia nell'apprendimento delle lingue. Ascoltare le parole pronunciate nella lingua di destinazione è utile quando si legge un articolo in lingua straniera e non si è sicuri di come suoni una parola.
• Leggere articoli ad alta voce mentre si svolgono faccende. Cucinare, pulire, fare esercizio, spostarsi: ovunque la lettura non sia pratica ma l'ascolto sì.
• Bozze di narrazione. Realizzare rapidamente una narrazione di prova per testare il ritmo prima di registrare con un doppiatore reale o commissionare un servizio TTS a pagamento come ElevenLabs.
• Istruzione. Generare materiale audio per contenuti didattici, esercitazioni di vocabolario, dettatura e accessibilità per discenti con esigenze diverse.

Comportamenti particolari e limitazioni da conoscere

• Interruzione del testo lungo in Chrome. Un bug di lunga data in Chromium (679437) fa sì che speak() si interrompa dopo circa 15 secondi, tipicamente intorno ai 200-250 caratteri. Le soluzioni alternative suddividono il testo in blocchi della lunghezza di una frase e chiamano speak() per ciascuno.
• L'evento voiceschanged. La prima chiamata a speechSynthesis.getVoices() su Chrome restituisce un array vuoto. Le voci vengono popolate in modo asincrono; le pagine devono essere in ascolto dell'evento voiceschanged prima di mostrare l'elenco delle voci.
• Requisito del gesto utente. Come per l'autoplay con audio, i browser bloccano la sintesi vocale finché l'utente non fa clic o tocca qualcosa. Il pulsante Parla soddisfa questo requisito; l'avvio automatico della sintesi al caricamento della pagina non funzionerà.
• Modalità risparmio energetico su iOS. Quando l'iPhone è in modalità risparmio energetico, Safari a volte rifiuta di avviare la sintesi vocale finché la modalità non viene disattivata.
• Bug di pausa/ripresa su Android Chrome. La sospensione e la ripresa a volte azzerano la coda. Se l'affidabilità è importante, è preferibile riavviare da speak() anziché affidarsi a pause() / resume().
• Velocità/tono fuori intervallo fallisce silenziosamente. Impostare la velocità al di sopra di circa 3,0 o al di sotto di 0,1, oppure il tono al di sopra di 2,0, fa sì che alcuni motori non producano alcun audio anziché limitare il valore.

Perché la qualità delle voci varia così tanto

La qualità di una voce TTS dipende interamente dal motore sottostante, che dipende dal sistema operativo, che dipende da ciò che è stato installato. Le voci degli anni '90 (eSpeak, Microsoft Anna, il vecchio «Fred» di Mac) venivano sintetizzate da campioni di fonemi concatenati e suonano robotiche e artificiose. Le voci moderne (le voci Siri di Apple, le voci Online Natural di Microsoft, le voci WaveNet di Google, le voci in abbonamento di ElevenLabs) usano il deep learning per generare audio quasi indistinguibile da un lettore umano.

Se le voci nel menu a discesa suonano robotiche, il rimedio non è questo strumento, ma installare voci migliori nel sistema operativo:

• Windows: Impostazioni → Ora e lingua → Sintesi vocale → Aggiungi voci. Le voci «Online Natural» di Microsoft sono notevolmente migliori rispetto alle voci predefinite offline.
• macOS: Impostazioni di sistema → Accessibilità → Contenuto parlato → Voce di sistema → Gestisci voci. Cercare le voci «Premium» / «Enhanced»; si scaricano in background e migliorano significativamente la qualità.
• iOS: Impostazioni → Accessibilità → Contenuto parlato → Voci. Stessa convenzione di denominazione di macOS.
• Android: Impostazioni → Accessibilità → Output sintesi vocale → Google → Installa dati vocali.
• Linux: installare festival o mbrola per una qualità superiore a eSpeak, oppure usare un servizio TTS cloud tramite API.

Errori comuni

1. Aspettarsi che Firefox lo supporti. Il supporto alla Web Speech API in Firefox è rimasto indietro. Il pulsante Parla risulterà disabilitato visitando la pagina con Firefox; usare un browser basato su Chromium o Safari per una sintesi vocale affidabile.
2. Incollare testo riservato in una sessione Chrome dando per scontato che sia locale. Le voci «Google» predefinite di Chrome inviano il testo al servizio TTS di Google. Scegliere una voce locale o usare Safari per il contenuto sensibile.
3. Blocchi di testo lunghi in Chrome. Il limite di 15 secondi / ~250 caratteri colpisce chiunque incolli un paragrafo aspettandosi che venga letto fino in fondo. Suddividere il testo oppure usare Safari (senza limite).
4. Impostare velocità o tono troppo al di fuori dell'intervallo. Il motore non limita i valori: smette silenziosamente di produrre audio. Restare nell'intervallo di velocità 0,5-2,5 e tono 0,5-1,5 per risultati prevedibili.
5. Considerare il TTS del browser come voiceover di qualità professionale. Anche le migliori voci del browser sono adatte alla revisione, all'accessibilità e alle bozze approssimative, non ai podcast pubblicati o ai voiceover commerciali. Per queste esigenze è opportuno rivolgersi a ElevenLabs, Murf o servizi simili a pagamento.
6. Dimenticare che le voci vengono scaricate in modo asincrono. La prima visita alla pagina su Chrome potrebbe non mostrare voci; aggiornare dopo un attimo e appariranno.

Altre domande frequenti

Come faccio a sapere se una voce è locale o basata sul cloud?

A livello programmatico, la proprietà SpeechSynthesisVoice.localService è true per le voci sul dispositivo e false per quelle basate sul cloud. In pratica, le convenzioni di denominazione delle voci aiutano: le voci di Chrome etichettate come «Google» sono solitamente basate sul cloud; le voci che corrispondono a quelle installate nel sistema operativo (Microsoft David, Apple Samantha, Google Wavenet en-US-Wavenet-D) sono locali se il sistema le ha. Le voci di Safari sono sempre locali.

Posso salvare l'audio come file MP3?

Non direttamente tramite la Web Speech API del browser: la specifica non espone lo stream audio per la cattura. Se si necessita di un file MP3 / WAV scaricabile, le opzioni includono: un'applicazione dedicata come Audacity che registra l'audio di sistema, un'API TTS a pagamento (Google Cloud TTS, Amazon Polly, ElevenLabs) che restituisce il file audio, oppure un'applicazione di registrazione schermo che cattura la riproduzione.

Perché l'audio è intermittente o si interrompe a metà frase?

La causa più comune su Chrome è il bug del testo lungo: la sintesi si interrompe a ~15 secondi. Aggiornare e riprovare con un passaggio più breve, oppure passare a Safari che non ha questo limite. Altre cause: un problema di sistema nel motore vocale del sistema operativo (di solito un riavvio lo risolve), oppure una voce cloud che non riesce a recuperare i dati quando si è offline (passare a una voce locale).

Funziona in qualsiasi lingua?

In qualsiasi lingua per cui il sistema operativo disponga di una voce installata. macOS e iOS includono decine di lingue integrate. Windows richiede l'installazione di pacchetti vocali per ogni lingua (Impostazioni → Ora e lingua → Sintesi vocale → Aggiungi voci). Android necessita che Google TTS o un motore di terze parti abbia scaricato i dati per la lingua. Il menu a discesa Voce elenca tutto ciò che è disponibile; il tag della lingua (en-US, fr-FR, ja-JP, ecc.) indica quale lingua produce ciascuna voce.

È utile per il podcasting?

Per le bozze e i test di ritmo, sì. Per gli episodi pubblicati, lo standard qualitativo è più elevato: anche le migliori voci del browser presentano artefatti sottili che gli ascoltatori percepiscono rapidamente. Servizi a pagamento come ElevenLabs e Murf offrono modelli vocali addestrati per la narrazione di lunga durata e producono risultati notevolmente migliori, spesso a pochi centesimi per mille caratteri.

Posso usarlo per gli utenti non vedenti o ipovedenti sul mio sito?

Un sito di solito non ha bisogno di incorporare il TTS per l'accessibilità: le tecnologie assistive come i lettori di schermo (VoiceOver sui dispositivi Apple, NVDA / JAWS su Windows, TalkBack su Android) gestiscono questo aspetto in modo universale. Il TTS incorporato è più utile per la comodità occasionale di lettura ad alta voce per gli utenti vedenti con affaticamento visivo o per chi impara. Per l'accessibilità, concentrarsi su HTML semantico, etichette ARIA, navigazione da tastiera e contrasto: questi elementi aiutano ogni lettore di schermo a funzionare meglio, incluso quello dell'utente.

Strumenti correlati