Ascoltatele ora: la Demo delle Voci esegue Miro e Dii dal vivo nel vostro browser — scegliete una lingua, digitate una frase e ascoltate. Nessuna installazione, nessun server.
Le persone ricordano la voce di un assistente più del suo nome. Perciò la domanda centrale della nostra collaborazione con OpenVoiceOS è pratica: a chi dovrebbe assomigliare l’assistente, in ogni lingua?
La risposta è Miro (maschile) e Dii (femminile) — due identità vocali che si mantengono in ogni lingua supportata da OpenVoiceOS. Un utente che configura l’assistente a Lisbona e in seguito passa al tedesco dovrebbe sentire lo stesso parlante familiare. Una voce di marca, tutte le lingue, di proprietà della comunità.
Un’identità, molte lingue
Il modo consueto per ottenere una voce multilingue è addestrare un unico modello su molte lingue tutte insieme. Funziona, ma tende a sbavare il risultato: gli accenti tracimano da una lingua all’altra, la pronuncia diventa approssimativa e la voce perde la nitidezza di un parlante nativo.
Noi scegliamo la strada più difficile. Per ogni lingua costruiamo un modello monolingue — un modello, una lingua, addestrato per fare bene quella lingua. Il trucco che li lega insieme è la clonazione vocale: ogni modello monolingue di Miro è clonato dalla stessa identità di origine, e lo stesso vale per Dii. Il risultato è una famiglia di modelli per-lingua che parlano ciascuno come un nativo, eppure condividono tutti lo stesso timbro, lo stesso carattere, la stessa Miro-ità o Dii-ità. Ottenete pronuncia di qualità nativa e un’unica identità riconoscibile, invece di scambiare l’una con l’altra.
Questi modelli sono addestrati e serviti con phoonnx, il nostro framework TTS aperto — basato su VITS, esportato in ONNX, solo CPU. Le voci girano completamente offline; nessun cloud, nessuna chiave API, nessun dato che lascia il vostro hardware. Dentro OpenVoiceOS, il plugin ovos-tts-plugin-phoonnx si occupa di recuperarle e caricarle. Per la storia completa sull’hardware e l’architettura, vedete TTS che Gira su una Patata.
La ricerca su G2P che lo rende possibile
Parlare bene una lingua non riguarda solo la voce — riguarda il sapere come la scrittura deve suonare. Questo è il compito della conversione grafema-fonema (G2P): trasformare il testo scritto nella sequenza di fonemi che il modello effettivamente pronuncia. Ogni nuova lingua che affrontiamo arriva con la propria ricerca su G2P, ed è in quella ricerca che vive gran parte del vero lavoro.
phoonnx è deliberatamente flessibile qui. Può pilotare un’intera gamma di phonemizer — eSpeak, Gruut, Epitran, il ByT5 G2P basato su modello, e strumenti specifici per lingua dove i motori generali non arrivano. Questo si collega direttamente al nostro più ampio stack di fonetica: la nostra ricerca ortografia-a-IPA e i phonemizer lusofoni che abbiamo costruito per la famiglia portoghese alimentano lo stesso obiettivo — IPA accurato per lingue che i grandi fornitori di TTS non si sono mai presi la briga di modellare con cura. Quando una lingua non ha un buon phonemizer pronto all’uso, quella lacuna è il progetto. Facciamo prima la ricerca grafia-a-suono, poi la voce segue.
Due modelli per ogni lingua richiesta
Ecco l’offerta concreta, ed è il cuore della collaborazione: per ogni lingua che qualcuno richiede, costruiremo due modelli TTS — Miro e Dii. Non una tabella di marcia di forse-un-giorno; un impegno permanente. Chiedete una lingua, e la coppia universale arriva fino a lei.
E intendiamo ogni lingua, non solo quelle comode e commercialmente ovvie. Le voci che mancano al mondo raramente sono quelle con cento milioni di parlanti — sono le lingue in via di estinzione e minoritarie che il TTS mainstream ignora silenziosamente perché il mercato è troppo piccolo per valerne la pena. Sono esattamente quelle le lingue che vogliamo raggiungere: comunità che non hanno mai avuto una voce sintetica di alta qualità da poter chiamare propria, e che non hanno alcun motivo di aspettarsi che un fornitore della Silicon Valley la fornisca mai.
Questa non è una promessa per dopo. Al momento in cui scriviamo, la collezione di modelli TTS phoonnx su Hugging Face elenca 13 lingue con almeno una voce pubblicata, e 8 di queste — basco, arabo, portoghese europeo, asturiano, aragonese, frisone, occitano e spagnolo colombiano — hanno già sia Miro sia Dii disponibili.
Aperto e auto-ospitato
Le voci sono gratuite e open source, girano offline e auto-ospitate così che nulla di ciò che dite lasci il vostro hardware, e l’intero stack — motore, phonemizer, ricerca su G2P, voci addestrate — è aperto perché una comunità possa prenderlo e mantenerlo.
Se la vostra lingua non è ancora nell’elenco, non è una porta chiusa — è una richiesta in attesa di essere fatta.