Sintesi vocale con AI

La sintesi vocale, o TTS (text to speech), trasforma il testo scritto in audio parlato. I vecchi sistemi TTS leggevano le parole una dopo l'altra con una voce piatta. La sintesi vocale AI moderna legge prima l'intero brano, quindi capisce quale parola enfatizzare, dove una frase diventa una domanda e quando una pausa fa la differenza, e parla con il respiro e il ritmo di una persona.

Su Mage la sintesi vocale funziona con Eleven Speech, il modello più recente di ElevenLabs, Eleven v4. Incolli fino a 5.000 caratteri, scegli una delle 16 voci e ottieni un MP3 lungo esattamente quanto la lettura. I tag audio tra parentesi quadre, come [whispers], [laughs] o [excited], guidano l'interpretazione senza essere letti ad alta voce.

Vive nello stesso account dei modelli di immagini e video di Mage. Una narrazione può finire direttamente sotto a un video, su un personaggio come sua voce, o nell'app Lipsync per far parlare un ritratto.

La sintesi vocale legge esattamente ciò che le dai, quindi scrivi per l'orecchio. Scrivi ciò che va detto come deve suonare: "dodici ore" invece di "12h", "l'anno duemilaventisei" se il numero va letto come un anno, e parole intere per le abbreviazioni che non vanno sillabate. Spezza le frasi lunghe in frasi più brevi: chi ascolta non può tornare indietro.

La punteggiatura è il modo più semplice per dirigere il ritmo. Una virgola è un respiro breve, un punto uno più lungo, i puntini di sospensione un'esitazione e un trattino un'interruzione improvvisa. Il punto interrogativo cambia la melodia dell'intera frase, quindi controlla che le domande finiscano davvero con uno.

• Scrivi i numeri in lettere quando la lettura conta
• Usa frasi brevi e parlate
• Usa i puntini di sospensione per le pause e i trattini per le interruzioni
• Leggi lo script ad alta voce una volta prima di generare
• Dividi i testi molto lunghi in capitoli

Le 16 voci coprono gli usi più comuni. Per narrazioni lunghe e audiolibri scegli un narratore costante come Darian, Florence o Sawyer. Per notizie, formazione e contenuti esplicativi, una voce da conduttore chiara come Alicia o Eldrin. Per pubblicità e video social, una voce moderna e vivace come Elowen, Jade o Lawrence. Per i giochi, una voce da personaggio come Kaelen.

Ogni voce parla tutte le lingue supportate, quindi uno script in spagnolo o giapponese funziona con qualsiasi voce. Genera le prime due o tre frasi con alcune voci, confrontale e poi fai girare l'intero script con quella che ti convince di più.

Eleven v4 interpreta i tag tra parentesi quadre come indicazioni di regia. [excited], [nervous], [sarcastic] e [softly] cambiano l'emozione; [whispers] e [shouting] cambiano il volume; [sighs], [laughs] e [gulps] aggiungono una reazione; [door creaks] o [applause] aggiungono un suono dentro la lettura. Metti un tag subito prima della frase che deve cambiare e usane uno o due per frase.

I tag fanno vivere dialoghi e battute dei personaggi, mentre la semplice narrazione spesso non ne ha bisogno. Per le voci dei personaggi che devono restare identiche in ogni video, vedi la guida sul generatore di voci IA e, per canzoni e basi musicali, quella sul generatore di musica IA.

Le stesse voci funzionano tramite l'API di Mage: invia il testo e una voce a POST /v1/eleven_speech/generate e ricevi un MP3, con prezzo a blocchi di 250 caratteri. Il pagina dell'API di Mage spiega chiavi e prezzi. Con il server MCP di Mage collegato, Claude, ChatGPT e altri assistenti possono leggere uno script ad alta voce per te direttamente in chat, dopo averti indicato quanti Gems costa.