Clonare una voce e generare audio parlato con l'intelligenza artificiale non richiede più servizi costosi né competenze da studio di registrazione: con gli strumenti open source giusti si fa sul proprio computer, gratis e senza inviare nulla nel cloud. Questa guida ti mostra come, con quali strumenti e — punto non negoziabile — entro quali limiti etici e legali.

A chi serve e per quali usi legittimi

La sintesi vocale e la clonazione della voce hanno tanti impieghi leciti: dare voce ai propri audiolibri e podcast, creare narrazioni per video, generare tracce di accessibilità per chi non può leggere, doppiare contenuti in più lingue, ridare la parola a chi l'ha persa per malattia. Il presupposto assoluto è il consenso: puoi clonare la tua voce o quella di chi ti ha autorizzato esplicitamente, mai quella di altri a loro insaputa. Prerequisiti tecnici: un computer con Windows, macOS o Linux, Python 3.10 o 3.11 installato e, idealmente, una scheda grafica (funziona anche solo con CPU, ma più lentamente).

Gli strumenti a confronto: XTTS, Piper ed ElevenLabs

Tre opzioni coprono quasi tutti i casi d'uso, con logiche diverse.

  • Coqui XTTS-v2 (open source, locale): clona una voce a partire da pochi secondi di audio e parla in molte lingue, italiano compreso. Ottima qualità, gratis, gira sul tuo hardware. Contro: richiede un po' di configurazione e la licenza del modello limita l'uso commerciale. È la mia prima scelta per la clonazione locale.
  • Piper (open source, locale): non clona voci arbitrarie, ma sintetizza testo con voci predefinite di ottima qualità, ed è velocissimo e leggerissimo (gira persino su un Raspberry Pi). Perfetto quando serve una voce narrante stabile, non la copia di una voce specifica.
  • ElevenLabs (cloud, a pagamento): la qualità di riferimento del mercato, con clonazione istantanea e professionale. Ha un piano gratuito con crediti limitati; per l'uso serio e commerciale si paga. Da preferire quando conta la resa migliore possibile e non si vuole gestire nulla in locale.
Bastano pochi secondi di audio pulito per clonare una voce con XTTS. Foto: Pexels.

Installare Coqui XTTS-v2 passo passo

Conviene creare un ambiente virtuale dedicato per non sporcare il sistema:

python -m venv voce
# Linux/macOS
source voce/bin/activate
# Windows
voce\Scripts\activate

pip install coqui-tts

Il pacchetto coqui-tts è la versione mantenuta dalla comunità dopo la chiusura della società Coqui, e include i modelli XTTS. Su alcuni sistemi serve anche espeak-ng, usato per la fonetica:

# Ubuntu/Debian
sudo apt install espeak-ng
# macOS (con Homebrew)
brew install espeak-ng

Preparare la voce di riferimento

La qualità del risultato dipende dall'audio di partenza. Registra un campione della voce da clonare:

  • Durata: da 6 a 30 secondi bastano; più è pulito, meglio è.
  • Ambiente silenzioso, senza rumori di fondo, eco o musica.
  • Formato WAV mono, parlato naturale e continuo.

Salva il file come voce.wav nella cartella di lavoro.

Clonare la voce da terminale

Con un solo comando generi una frase con la voce clonata, in italiano:

tts --text "Ciao, questa è la mia voce generata con l'intelligenza artificiale." \
    --model_name tts_models/multilingual/multi-dataset/xtts_v2 \
    --speaker_wav voce.wav \
    --language_idx it \
    --out_path uscita.wav

Il primo avvio scarica il modello (alcuni gigabyte). Al termine troverai uscita.wav con la frase pronunciata nella voce del campione. Riascoltalo: se il timbro non convince, prova un campione di riferimento più lungo o più pulito.

Farlo da Python per progetti più grandi

Per generare molti testi o integrare la sintesi in un'app, usa l'API Python:

from TTS.api import TTS

tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")  # usa "cpu" senza GPU

testi = [
    "Benvenuti alla puntata di oggi del nostro podcast.",
    "Nel prossimo capitolo parleremo di intelligenza artificiale.",
]
for i, t in enumerate(testi):
    tts.tts_to_file(text=t, speaker_wav="voce.wav", language="it",
                    file_path=f"capitolo_{i}.wav")

In pochi secondi ottieni una serie di file audio pronti per il montaggio di un podcast o di un audiolibro.

Alternativa veloce e leggera: Piper

Se non ti serve clonare una voce specifica ma vuoi una narrazione stabile e rapidissima, Piper è imbattibile. Si scaricano il binario e una voce italiana (per esempio it_IT-riccardo) dal repository ufficiale, poi:

echo "Questo testo viene letto da Piper in italiano." | \
    piper -m it_IT-riccardo-x_low.onnx -f uscita.wav

Genera l'audio quasi istantaneamente, anche su hardware modesto. È la scelta ideale per assistenti vocali locali, notifiche parlate o narrazioni di sistema.

Quando conviene il cloud: ElevenLabs

Se il progetto è professionale — uno spot, un audiolibro commerciale, un doppiaggio di qualità — ElevenLabs resta il riferimento. La clonazione istantanea richiede pochi secondi di audio; quella professionale, più fedele, richiede campioni più lunghi ed è a pagamento. Il piano gratuito permette di testare la qualità, ma i crediti mensili si esauriscono in fretta. Valuta anche i termini di licenza e le regole sull'uso della voce clonata, che sono più stringenti proprio per prevenire abusi.

Errori comuni e soluzioni

  • Errore su espeak / fonemi mancanti: installa espeak-ng come mostrato sopra.
  • CUDA out of memory: passa a .to("cpu") oppure chiudi altri programmi che usano la GPU; la generazione sarà più lenta ma funzionerà.
  • Voce clonata di bassa qualità: quasi sempre il problema è il campione di riferimento. Usa audio più pulito, senza rumore né musica di sottofondo.
  • Errore di installazione con Python 3.12+: alcune dipendenze non sono ancora compatibili. Usa Python 3.10 o 3.11 in un ambiente virtuale dedicato.

Etica e legge: consenso e obbligo di trasparenza

Clonare una voce è potente e per questo delicato. Usare la voce di qualcuno senza permesso per farla dire cose mai pronunciate è un deepfake vocale, con conseguenze legali serie e danni reali alle persone — truffe telefoniche e frodi che imitano dirigenti o parenti sono già cronaca. Dal 2 agosto 2026 l'AI Act europeo impone di dichiarare quando un contenuto audio è generato o alterato dall'IA e di renderlo riconoscibile: un obbligo che vale anche per gli usi creativi. La regola pratica è semplice: cloni solo voci per cui hai un consenso esplicito, dichiari sempre che l'audio è sintetico e non lo usi mai per ingannare. Con questi paletti, la sintesi vocale con l'IA diventa uno strumento straordinario per creatività e accessibilità. I riferimenti ufficiali sono i repository di Coqui TTS e Piper, e le linee guida sull'AI Act della Commissione europea.