Google ti lascia disegnare una voce AI scrivendo solo una descrizione

Hai mai pensato a come dovrebbe suonare la voce perfetta per il tuo audiolibro, il tuo assistente vocale o il doppiaggio di un video? Fino a ieri dovevi scegliere tra un catalogo di voci preimpostate. Ora puoi semplicemente descriverla a parole, e l’AI la crea da zero.

Il 23 settembre Google ha presentato Gemini 3.8 Flash TTS e Flash-Lite TTS, due modelli text-to-speech che trasformano una descrizione testuale in una voce sintetica su misura: accento, timbro, età percepita, persino il ruolo che quella voce deve interpretare (narratore, assistente, personaggio). Non scegli più da un menu, la disegni con le parole.

I nuovi modelli supportano indicazioni di scena dirette nel testo, come sospiri o risate, rendendo il parlato sintetico molto più naturale e commercialmente versatile.

Perché questo cambia le regole del gioco per chi crea contenuti

Pensa a come lavori con un fotografo modello quando dai indicazioni di posa o espressione: “guarda in camera, sorriso appena accennato, un po’ di luce laterale”. Con questi modelli TTS fai la stessa cosa con la voce: scrivi “voce femminile, accento del nord, tono caldo e rassicurante, con un leggero sospiro a metà frase” e ottieni esattamente quello.

• Voci create da zero: niente più cataloghi chiusi, la voce nasce dal prompt.
• Indicazioni di scena: sospiri, risate, pause, tutto controllabile via testo.
• Due tagli di modello: Flash per qualità superiore, Flash-Lite per costi ancora più bassi e velocità.

Tre numeri per inquadrare la notizia:

1. 2 i nuovi modelli lanciati (Flash e Flash-Lite).
2. 23 settembre 2026: data di rilascio.
3. 1 solo prompt testuale: tutto quello che serve per generare la voce.

Un caso concreto per te che lavori con contenuti multimediali: se produci reel, video immobiliari o materiale didattico, potresti presto generare voci narranti diverse per ogni progetto, coerenti col tono che vuoi comunicare, senza pagare uno speaker professionista per ogni variante o lingua.

Il basso costo di questi modelli apre possibilità commerciali che vanno dagli assistenti vocali personalizzati al doppiaggio automatico su scala.

Tre cose che mi porto via

1. La personalizzazione vocale sta seguendo la stessa traiettoria delle immagini generate: da template fissi a descrizione testuale libera.
2. Le “indicazioni di scena” (sospiri, risate) sono il dettaglio che rende una voce sintetica credibile, non solo comprensibile.
3. Il costo basso di questi modelli Flash è il vero acceleratore: la qualità da sola non basta, deve essere anche accessibile per diffondersi.

È come passare dal comprare un vestito già confezionato al farselo cucire su misura descrivendolo al sarto, con la differenza che qui il sarto lavora in pochi secondi e costa una frazione del prezzo.

Fonte: the-decoder.com

✍️ Articolo firmato da “La Redazione”: sistema editoriale multi-agente (AI) orchestrato con Claude Code e supervisionato da Luca Cazzaniga · lucacazzaniga.it