Introduzione alla Sintesi Vocale Italiana in Locale

Il text to speech italiano in locale oggi gira su un portatile senza GPU. Al 10 novembre 2026, il pacchetto Python pocket-tts 4.0.1, pubblicato il 21 ottobre, include una configurazione italiana che lavora solo su CPU. Piper, d'altra parte, offre voci italiane da 63,5 MB che sintetizzano molto più in fretta del tempo reale. Nessun testo lascia la macchina, nessun abbonamento a consumo, nessuna chiave API da ruotare.

Il caso tipico è banale e frequente: un avviso ai clienti, un capitolo di manuale, un verbale da ascoltare in auto, una guida per colleghi con disabilità visiva. Il testo diventa un MP3 in meno di mezzo minuto, e il file resta sul disco dell’azienda. Per chi lavora con dati personali, contratti o documenti interni, questa è la differenza tra un tool utilizzabile e uno che passa dal legale.

Il problema vero non è il modello, ma il testo che gli dai in pasto. Un motore addestrato su frasi pulite inciampa su 1.250 €, su NIS2, su 1° ottobre e su una data scritta 10/11/2026. Se il testo nasce da una scansione, conviene prima estrarre il testo da un’immagine in locale con Python e poi passarlo alla pipeline qui sotto: pulizia, sintesi, controllo.

Motori di Sintesi Vocale: Quale Scegliere nel 2026

Cinque nomi ricorrono quando si cerca sintesi vocale open-weight, e solo due reggono un uso quotidiano in italiano senza giri di parole. La tabella riassume lo stato di ciascuno al 10 novembre 2026, partendo dalle fonti consultate e dalle prove fatte sulla nostra macchina.

Piper

Piper sintetizza con modelli ONNX leggeri e si installa con un solo pacchetto. Il progetto originale ora vive come piper1-gpl, sotto l’egida dell’Open Home Foundation secondo le fonti consultate, mentre il vecchio repository rhasspy/piper risulta archiviato. Il motore usa la licenza GPL-3.0, le voci no: ogni voce ha la sua scheda e la sua licenza, e va letta prima di distribuire l’audio in un prodotto.

Per l’italiano il catalogo pubblico delle voci elenca quattro modelli. Li abbiamo contati scaricando il file voices.json il 10 novembre 2026: paola in qualità media, serena in qualità media e alta, riccardo in qualità extra bassa. Hanno tutte un solo parlante. Il progetto di questa guida parte da paola-medium perché offre il miglior compromesso tra peso (63,5 MB) e naturalezza.

Pocket TTS

Kyutai ha rilasciato Pocket TTS 4.0.0 il 20 ottobre 2026 e la 4.0.1 il giorno dopo. La release 4.0.0 ha aggiunto sei modelli inglesi più piccoli, da circa 18,2 milioni, 6,9 milioni e 1,9 milioni di parametri (quelli da 1,9 milioni sono sperimentali), e i binari standalone per Linux, macOS e Windows. L’italiano non è tra quei sei modelli, ma il pacchetto 4.0.1 contiene le configurazioni italian e italian_24l: l’abbiamo verificato installandolo e leggendo la cartella config.

Le fonti pubbliche disponibili parlano soprattutto di bundle community per l’italiano, per esempio una conversione LiteRT da 120 MB con le voci giovanni e alba, e di un file GGUF italiano aggiornato il 7 novembre che non è una release ufficiale. Per questo il tutorial usa il pacchetto Python ufficiale e dice con chiarezza cosa abbiamo misurato noi e cosa no.

Gli Altri Tre: F5-TTS, XTTS-v2 e Qwen3-TTS

F5-TTS ha un checkpoint italiano su Hugging Face, ma è un fine-tuning della community duplicato da un altro repository. Nessuna fonte consultata lo presenta come rilascio ufficiale del progetto upstream, e nessuna dimostra che superi Pocket TTS o Piper in italiano. Lo trattiamo come esperimento.

XTTS-v2 resta popolare per la clonazione vocale, ma Coqui ha chiuso nel gennaio 2024 secondo i risultati consultati, e il repository originale non riceve aggiornamenti dall’agosto 2024. La sua licenza descritta come non commerciale lo esclude da molti usi aziendali. Qwen3-TTS, infine, compare come famiglia con varianti da 0,6B e 1,7B e un rapporto tecnico dell’8 novembre, ma nessuna fonte conferma il supporto all’italiano: aspettiamo prima di costruirci sopra.

Considerazioni Legali e di Trasparenza

Ogni sintesi vocale poggia su tre strati legali separati: il motore, i pesi del modello e la voce di riferimento. Piper ne è l’esempio più netto. Il motore usa la GPL-3.0, e chi lo incorpora in un software distribuito deve rispettarla. Le voci possono avere licenze diverse, quindi non attribuire in automatico la GPL ai file vocali e non assumere che siano tutte libere per uso commerciale.

Con la clonazione vocale entra in gioco il GDPR. La voce di una persona identificabile è un dato personale, e riprodurla con un modello richiede una base giuridica, in pratica il consenso scritto e circoscritto a uno scopo. Pocket TTS accetta un file audio come voce da clonare (la CLI lo dice nell’aiuto del parametro voice), e proprio per questo il pacchetto referenzia anche pesi senza clonazione, utili quando vuoi escludere il rischio alla radice. Il progetto di questa guida usa solo voci predefinite.

Sul fronte dell’uso commerciale, la documentazione ufficiale di XTTS ti dice come usare il modello, ma la licenza va letta a parte. Le fonti che abbiamo consultato la descrivono come non commerciale, quindi non presentarlo ai clienti come liberamente utilizzabile prima di averla letta. Lo stesso vale per qualunque checkpoint community: la licenza sta nella scheda su Hugging Face, non nel nome del repository.

Un ultimo punto riguarda la trasparenza. Se pubblichi audio sintetico per il pubblico, dichiaralo. Un avviso di una riga, per esempio voce generata con sintesi vocale, costa nulla e ti evita discussioni quando qualcuno scambia l’audio per una registrazione reale. La regola vale ancora di più per annunci che toccano soldi, sicurezza o salute.

Prerequisiti e Versioni: Cosa Installare Prima di Iniziare

Il progetto gira su Linux, macOS e Windows. Tutti i test di questa guida sono stati eseguiti su Linux, su una macchina virtuale con 16 vCPU Intel Xeon Platinum 8280, 31 GB di RAM e nessuna GPU. I tempi che leggi sono misure nostre su quell’hardware, non valori ufficiali dei progetti.

Ecco i prerequisiti e le versioni utilizzate:

    • Python: 3.12.3 (versione usata nei test su Linux)
    • piper-tts: 1.8.0 (ultima versione installata da pip il 10 novembre 2026)
    • num2words: 0.5.14 (converte i numeri in parole italiane)
    • pocket-tts: 4.0.1 (opzionale, porta con sé PyTorch 2.15.0 nel nostro ambiente)
    • ffmpeg: 6.1.1 (serve per MP3 e normalizzazione del volume)
    • faster-whisper: ultima disponibile (opzionale)