Voice Cloning

La clonazione vocale consiste nell’uso dell’IA per generare nuovo parlato che sembra provenire da una persona specifica. Invece di riprodurre una registrazione, un sistema apprende le caratteristiche riconoscibili della voce di un parlante e produce audio con parole che quella persona potrebbe non aver mai pronunciato. Questo può aiutare qualcuno a comunicare con una voce familiare o a narrare contenuti in modo coerente, ma significa anche che una voce convincente non prova chi sta parlando.

Come funziona la clonazione vocale#

Un sistema di clonazione vocale parte dalle registrazioni del parlante da imitare. Analizza caratteristiche come l’altezza, il timbro — la qualità che fa sembrare diverse due voci con la stessa altezza — e la pronuncia. Apprende anche aspetti della prosodia: il ritmo, l’accento e l’intonazione che rendono naturale il parlato. La qualità della registrazione è importante. Rumori di fondo, una posizione del microfono incoerente o campioni che contengono un solo stile di parlato possono rendere la voce generata meno affidabile.

Il sistema rappresenta queste caratteristiche del parlante in una forma utilizzabile per generare audio, spesso chiamata embedding del parlante. Si tratta di una descrizione numerica compatta del suono della voce, non di un elenco memorizzato di frasi. Un flusso di lavoro con voce personalizzata combina le registrazioni del parlante con un generatore vocale: il testo fornisce cosa dire, mentre le caratteristiche vocali apprese influenzano come suona. Alcuni flussi di lavoro possono adattarsi a partire da un breve campione, anche se la qualità dell’output dipende dal campione e dall’attività; la documentazione sulla voce personalizzata istantanea illustra l’importanza di una registrazione vocale adeguata e del consenso.

Un generatore produce quindi una forma d’onda audio, ovvero il segnale variabile riprodotto da un altoparlante o da una cuffia. Per ottenere un risultato convincente, le parole devono essere comprensibili e la voce riconoscibile. La stessa persona può avere una voce diversa quando sussurra, ride o parla un’altra lingua, quindi riprodurre l’identità in una breve clip non garantisce un parlato naturale in ogni situazione.

Clonazione vocale e termini correlati#

La clonazione vocale è un caso specifico di sintesi vocale da testo, in cui le parole scritte vengono pronunciate con una voce appresa e identificabile. La normale sintesi vocale da testo può usare una voce sintetica preimpostata che non assomiglia a nessuna persona in particolare. La clonazione può anche ricevere in input un audio parlato e riprodurne le parole con un’altra voce; l’elemento distintivo è la voce di destinazione, non il fatto che l’input sia testo o parlato.

La trascrizione automatica del parlato procede nella direzione opposta e trasforma le parole pronunciate in una trascrizione. Modificare l’altezza o la velocità di una registrazione è un’operazione ancora diversa: queste modifiche alterano l’audio esistente invece di generare un enunciato a partire da un’identità vocale appresa. La clonazione vocale rientra nell’IA generativa perché crea nuovo audio.

Una voce clonata diventa parte di un deepfake quando un contenuto sintetico fa sembrare in modo convincente che una persona abbia detto qualcosa che non ha detto. I due termini non sono intercambiabili: chi usa una copia autorizzata della propria voce per comunicare non sta necessariamente cercando di ingannare qualcuno.

Due applicazioni nel mondo reale#

Un’applicazione è la comunicazione assistiva. Una persona che prevede di perdere la capacità di parlare può registrare la propria voce e in seguito digitare messaggi da pronunciare con una sua versione sintetizzata. Le indicazioni di Apple su Personal Voice descrivono questo approccio per comunicare tramite le funzioni di accessibilità supportate. In questo caso, conservare una voce familiare può essere importante quanto rendere udibili le parole.

Un’altra applicazione è la narrazione e il doppiaggio autorizzati. Un doppiatore può autorizzare un team di produzione a generare battute approvate o narrazioni tradotte con una voce coerente. Questo può ridurre la necessità di registrare di nuovo ogni revisione, ma la pronuncia, l’interpretazione emotiva e i cambi di lingua richiedono comunque una revisione umana. I controlli della velocità di parlato e dell’altezza, come quelli descritti nelle indicazioni sulla prosodia di Amazon Polly, modificano l’interpretazione, ma non sostituiscono il permesso di usare la voce di una persona.

Dove si incontrano voce e visione#

La clonazione vocale opera sull’audio, non sulle immagini. In un’applicazione di IA multimodale, tuttavia, può affiancarsi a un componente di visione separato. Per esempio, un creator che realizza un video accessibile potrebbe analizzare le riprese per identificare gli oggetti visibili, scrivere e rivedere una descrizione, quindi farla narrare da una voce clonata autorizzata. Ultralytics YOLO26 e la relativa modalità documentata predict possono elaborare immagini o video per la fase visiva. Non clonano le voci né verificano l’identità di un parlante. Mantenere separate queste responsabilità aiuta gli sviluppatori a valutare ogni componente in base a ciò che fa realmente.

Consenso, autenticità e sicurezza#

La voce di una persona è strettamente legata alla sua identità, quindi chiedi un’autorizzazione esplicita prima di creare una copia e concorda dove potrà essere utilizzato il risultato. Le indicazioni di Microsoft sul consenso dei talenti vocali forniscono un esempio di procedura di consenso esplicito. Proteggi le registrazioni e l’audio generato nell’ambito della protezione dei dati personali e informa gli ascoltatori quando il parlato è sintetico, se il contesto lo rende rilevante.

I criminali informatici possono usare una voce clonata in una chiamata che sembra provenire da un parente o da un dirigente, facendo pressione su qualcuno affinché invii denaro. Le indicazioni della FTC sulle truffe con false emergenze consigliano di verificare la richiesta chiamando un numero già noto come autentico, anziché fidarsi della voce di chi chiama. Per l’audio pubblicato, la spiegazione di C2PA sulle Content Credentials descrive un metodo per registrare la provenienza dei contenuti multimediali. La provenienza fornisce un contesto utile sulla cronologia di un file, ma da sola non dimostra che ogni affermazione pronunciata sia vera.