Dietro la voce: come l'AI adatta l'emozione al parlato

Il text-to-speech neurale è arrivato al punto in cui una voce sintetica può leggere una frase e suonare, nella maggior parte dei casi, come una persona che la legge. Il problema più difficile è farla suonare come una persona che la pensa davvero: calda su una buona notizia, sommessa su una battuta triste, più leggera su una presa in giro. Questo articolo spiega come si progetta una pipeline vocale sensibile alle emozioni: come il testo diventa audio, come un sistema deduce il tono emotivo dal testo, come quel tono viene tradotto in impostazioni vocali e dove l'approccio mostra i suoi limiti.

A che punto siamo su AINudeGirls: oggi la piattaforma non ha alcuna funzione vocale. I tuoi modelli AI non parlano e non esistono chiamate vocali. Le chiamate vocali AI sono elencate nella nostra roadmap pubblica con obiettivo Q2 2027. Tutto ciò che segue è una spiegazione progettuale di quella funzione futura, non la descrizione di qualcosa che puoi usare adesso. Se vuoi vedere cosa funziona già oggi, parti dal generatore di immagini o dal generatore di video.

---

Come funziona il text-to-speech (le basi)

A grandi linee, il text-to-speech (TTS) moderno converte il testo in audio in tre fasi, tutte gestite da reti neurali:

1. Analisi del testo: il testo in ingresso viene scomposto in unità linguistiche: fonemi, marcatori prosodici, struttura della frase. È qui che il sistema decide quali sillabe portano l'accento e dove cadono le pause.

2. Modellazione acustica: una rete predice le caratteristiche audio di ogni segmento: altezza, durata, energia e proprietà spettrali.

3. Generazione della forma d'onda: un vocoder trasforma quelle previsioni acustiche in una vera forma d'onda audio.

Il TTS neurale attuale è lontanissimo dalle voci robotiche delle generazioni precedenti. Resta però un divario tra "suona come un essere umano che legge un testo" e "suona come un essere umano che prova qualcosa mentre parla". Una pipeline sensibile alle emozioni si colloca sopra le tre fasi descritte per ridurre quel divario.

---

Da dove arriva la voce: le opzioni dei provider

Una piattaforma che costruisce un output vocale deve decidere dove viene sintetizzato l'audio. Esistono tre categorie comuni, ciascuna con un compromesso diverso:

TTS generico in hosting

• Cos'è: un servizio TTS neurale in cloud offerto da un grande fornitore, con molte voci in diverse lingue e accenti
• Qualità: parlato pulito e naturale, con la prosodia che il modello ha appreso durante l'addestramento
• Controllo: limitato. Si sceglie una voce e una velocità di lettura; non si può guidare la resa emotiva nel dettaglio
• Ideale per: parlato quotidiano in cui basta una lettura naturale e neutra

API specializzate in voci espressive

• Cos'è: un servizio costruito appositamente per voci sintetiche espressive, con profili caratteriali distinti
• Qualità: la gamma emotiva più ampia delle tre categorie
• Controllo: parametri diretti su quanto la resa sia stabile, fedele e drammatica, ovvero le leve di cui una pipeline emotiva ha bisogno
• Ideale per: battute e narrazioni cariche di emozione, dove una resa piatta si noterebbe

Motori open source self-hosted

• Cos'è: un motore TTS open source eseguito sul proprio hardware, con modelli vocali personalizzati
• Qualità: varia in base al modello; alcuni gestiscono bene le emozioni, altri no
• Controllo: totale, ma la responsabilità di tutto, qualità compresa, ricade su di te
• Ideale per: mantenere l'elaborazione del testo in-house, generazione ad alto volume e sperimentazione

La configurazione del nostro backend elenca un'opzione per ciascuna categoria (Edge TTS, ElevenLabs e Coqui). Nessuna è collegata a una funzione rivolta agli utenti e la scelta potrebbe cambiare prima del lancio delle chiamate vocali.

---

Rilevare le emozioni nel testo

Prima che un motore TTS generi l'audio, una pipeline sensibile alle emozioni deve rispondere a una domanda semplice: qual è il tono emotivo di questo testo? Ecco come è progettata questa fase.

Un insieme operativo di emozioni

Sette categorie coprono la maggior parte di ciò che una voce conversazionale deve esprimere:

Emozione Descrizione Segnali tipici

--------- ------------- -----------------

Gioia Felicità, entusiasmo, eccitazione Risate, festeggiamenti, buone notizie, energia giocosa

Tristezza Malinconia, comprensione, conforto Perdita, delusione, empatia, nostalgia

Rabbia Frustrazione, intensità, passione Conflitto, ingiustizia, forte disaccordo

Paura Ansia, preoccupazione, inquietudine Pericolo, incertezza, apprensione, vulnerabilità

Sorpresa Stupore, rivelazione Colpi di scena, eventi inattesi, scoperte

Seducente Giocosità, provocazione, attrazione Complimenti, allusioni, tensione romantica

Tenerezza Dolcezza, premura, intimità Conforto, vicinanza, vulnerabilità emotiva, amore

Più un ripiego Neutro per i testi che non pendono in nessuna direzione particolare.

Due modi per rilevarle

Il design più semplice è basato su parole chiave. Il sistema scansiona il testo alla ricerca di parole e frasi associate a ciascuna emozione:

• Indicatori di gioia: "ahah", "lo adoro", "fantastico", "non vedo l'ora", "meraviglioso", punti esclamativi
• Indicatori di tristezza: "mi dispiace", "mi manchi", "vorrei", "purtroppo", "fa male"
• Indicatori seducenti: "occhiolino", "stuzzicare", "arrossire", "splendida", frasi allusive
• Indicatori di tenerezza: "tengo a te", "al sicuro con me", "dolcemente", "piano", "stringerti"

Ogni corrispondenza aumenta il punteggio di quell'emozione e vince l'emozione con il punteggio più alto. Il matching per parole chiave è trasparente, economico e facile da debuggare, il che lo rende la prima versione più sensata.

L'alternativa è un classificatore basato su modello: un piccolo modello linguistico che legge l'intero messaggio e restituisce un'etichetta emotiva con una probabilità. Comprende molto meglio contesto, sarcasmo e segnali contrastanti, al prezzo di latenza, calcolo e un comportamento meno prevedibile.

Punteggio di confidenza

Non tutti i messaggi hanno un tono emotivo chiaro, quindi il rilevatore dovrebbe anche indicare quanto è sicuro: un valore di confidenza da 0.0 a 1.0:

• Confidenza alta: più indicatori forti per una singola emozione. I parametri vocali cambiano in modo evidente.
• Confidenza media: alcuni indicatori presenti ma non dominanti. I parametri cambiano moderatamente.
• Confidenza bassa: testo ambiguo o neutro. La voce resta vicina al profilo predefinito.

La miscelazione in base alla confidenza impedisce alla voce di fare sbalzi drammatici su testi ambigui: quando il rilevatore non è sicuro, produce una lettura neutra.

---

Come le emozioni si traducono in parametri vocali

Le API TTS espressive espongono una manciata di controlli. I nomi variano da provider a provider, ma tre sono comuni e si prestano bene a essere associati alle emozioni rilevate:

Stabilità (dinamica vocale)

Controlla quanto la voce è costante rispetto a dinamica:

• Stabilità più bassa = più variazione vocale, più espressività, più energia
• Stabilità più alta = resa più misurata, controllata e costante

Somiglianza (naturalezza)

Controlla quanto l'output aderisce al profilo vocale di base:

• Somiglianza più bassa = interpretazione più creativa, potenzialmente più emotiva ma meno coerente
• Somiglianza più alta = aderenza più stretta al suono naturale della voce

Stile (espressività)

Controlla l'espressività complessiva della resa:

• Stile più alto = più drammatico, più marcato emotivamente
• Stile più basso = più sottile, più colloquiale

Una mappatura da emozione a parametri

Una mappatura di partenza ragionevole è questa. La direzione di ogni regolazione conta più dei numeri esatti, che andranno tarati voce per voce quando esisterà un sistema reale:

Emozione Stabilità Somiglianza Stile Effetto voluto

--------- ----------- ------------ ------- -----------------

Gioia Più bassa Media Più alto Dinamico, energico, espressivo

Tristezza Più alta Più alta Medio Più lento, misurato, delicato

Rabbia Più bassa Media Più alto Intenso, deciso, drammatico

Paura Media Più alta Medio Teso, leggermente instabile, urgente

Sorpresa Più bassa Media Più alto Rapido, dinamico, ampio

Seducente Media Media Medio Variazione giocosa, caldo, provocante

Tenerezza Più alta Più alta Medio Morbido, caldo, delicato, intimo

Neutro Media Media Più basso Naturale, colloquiale, equilibrato

Questi sono valori di base. Il punteggio di confidenza riporta poi ogni parametro verso il neutro in proporzione all'incertezza del rilevamento.

---

Una voce per ogni modello

In un sistema di questo tipo, ogni personaggio ha bisogno di una propria identità vocale invece di un unico narratore condiviso:

• Scelta della voce: a ogni personaggio viene assegnata una voce del provider adatta alla sua personalità
• Parametri di base: ogni personaggio ha i propri valori predefiniti di stabilità, somiglianza e stile, che ne definiscono il suono "neutro"
• Gamma emotiva: alcuni personaggi sarebbero più espressivi per impostazione predefinita, altri più misurati; la mappatura emotiva si applica in relazione alla base di ciascun personaggio

Un personaggio giocoso ed energico mantiene una voce più dinamica anche in modalità neutra, mentre uno calmo e riservato resta misurato. I cambiamenti emotivi si applicano sopra quei valori predefiniti. Su AINudeGirls questo significherebbe, un giorno, assegnare una voce a ciascuno dei profili dei modelli AI: oggi quei profili sono soltanto immagini e descrizioni.

---

Limiti noti di questo design

Cosa gestisce bene

• Emozioni evidenti. Un messaggio pieno di punti esclamativi e di parole come "fantastico" e "adoro" è facile da classificare come gioioso. Un messaggio su una perdita è facile da classificare come triste.
• Ambiguità. Il sistema di confidenza evita che un testo ambiguo provochi sbalzi vocali.
• Contrasto. Una resa gioiosa e una tenera suonano abbastanza diverse da giustificare lo sforzo.

Cosa gestisce male

• Sarcasmo e contesto. Il rilevamento per parole chiave non capisce "Oh, fantastico, un altro lunedì". La parola "fantastico" viene contata come gioia.
• Emozioni miste. Un messaggio che contiene sia gioia sia tristezza viene ridotto a quella con il punteggio più alto, invece di una miscela delle due.
• Differenze tra provider. La mappatura fine funziona appieno solo sui provider che espongono i parametri. Il TTS generico si affida alla prosodia integrata e risponde meno alle indicazioni esplicite.
• Variabilità del self-hosted. La gamma emotiva dei motori open source dipende molto dal modello specifico.

Questioni aperte prima del lancio

• Se partire dal rilevamento per parole chiave o passare direttamente a un classificatore basato su modello
• Se la miscelazione delle emozioni, due emozioni in una sola resa, valga la complessità aggiuntiva
• Quante voci servono per coprire la gamma di profili dei modelli sulla piattaforma

Nessuna di queste è stata decisa.

---

Considerazioni sulla privacy per la voce

Qualsiasi funzione vocale solleva domande che una piattaforma solo testuale non pone. Questi sono i vincoli da cui parte il design; la policy definitiva sarà pubblicata prima del lancio della funzione:

• Generazione su richiesta. L'audio viene prodotto quando richiesto, non preregistrato.
• Solo cache temporanea. L'audio generato può essere memorizzato brevemente nella cache per la riproduzione, non archiviato in modo permanente.
• Nessuna acquisizione della voce dell'utente. La pipeline è unidirezionale: entra il testo, esce l'audio. Nulla nel design richiede il tuo microfono e la clonazione delle voci degli utenti non ne fa parte.
• Gestione dei dati da parte del provider. Se l'audio viene sintetizzato da un provider terzo, il testo del messaggio viene inviato a quel provider e ricade sotto la sua informativa sulla privacy. Un motore self-hosted mantiene il testo in-house. Quale opzione si applica sarà dichiarato chiaramente al lancio.

---

Cosa puoi fare oggi

Per ribadire quanto detto all'inizio: la voce non è disponibile su AINudeGirls. Nessun output vocale, nessuna chat vocale, nessuna chiamata vocale. Le chiamate vocali sono nella roadmap per il Q2 2027; questo articolo verrà aggiornato quando ci sarà qualcosa di concreto da descrivere.

Ciò che è attivo adesso è la generazione di immagini e video: scrivi un prompt o scegli una categoria nel generatore NSFW, sfoglia le categorie o genera una breve clip nel generatore di video. I prezzi sono a credito e sono elencati nella pagina dei prezzi; le FAQ coprono il resto.