12 novembre 2026 · Team VRAMfarm

Sintesi vocale sulla tua GPU: Qwen3-TTS, VoxCPM2 e clonazione della voce con Chatterbox

Un corso di formazione da 40 minuti ha bisogno di una voce narrante, in inglese e in tedesco, entro venerdì. Su una scheda da 12 GB a noleggio con un modello vocale open source, il voice-over richiede un pomeriggio e circa 0,18 € di tempo GPU su una RTX 3060. La sintesi vocale è uno dei pochi lavori di IA per cui bastano le schede più economiche del catalogo: i modelli sono piccoli, e la parte difficile sono il tuo copione e le tue orecchie.

Abbiamo tre app pronte per la voce, gratuite; paghi solo il tempo GPU, da 0,12 € all’ora su una RTX 3060. Ognuna è brava in qualcosa di diverso.

Tre app, tre lavori

Qwen3-TTS è la più semplice: scegli una delle voci integrate, incolli il testo e, se vuoi, aggiungi un’istruzione come “allegra, un po’ più veloce”. Va bene per notifiche, video esplicativi e tutto ciò per cui basta una voce di repertorio sempre uguale. La famiglia Qwen3-TTS ha anche un modello separato per la clonazione, che puoi installare da solo su un server vuoto.

VoxCPM2 è la più viva delle tre: pause, domande ed esclamazioni escono come le leggerebbe una persona. Usala per audiolibri, podcast e narrazioni lunghe. Può creare una voce da una descrizione, o copiarla da un breve campione se le dai anche la trascrizione del campione.

Chatterbox è quella per clonare: carichi una registrazione pulita di pochi secondi e legge qualsiasi testo con quella voce, in 23 lingue. Ha anche un controllo “exaggeration” che rende l’interpretazione più piatta o più espressiva.

Tutte e tre si aprono nel browser. La pagina della sintesi vocale ha esempi dello stesso testo con ciascuna, ed è il modo più rapido per scegliere.

VRAM e quale scheda noleggiare

Sono modelli piccoli, pochi gigabyte di pesi ciascuno (quelli di VoxCPM2 sono circa 5 GB). In uso occupano circa 6–8 GB di VRAM, quindi una scheda da 12 GB ha spazio a sufficienza e le nostre app chiedono 12 GB. La RTX 3060 è la più economica che va bene; una RTX 3080 da 10 GB è troppo stretta per le nostre app.

Una scheda più veloce aiuta, ma meno di quanto pensi. I modelli vocali generano l’audio un pezzo alla volta, quindi una scheda due o tre volte più potente nel calcolo puro restituisce ogni frase più in fretta, ma non costa proporzionalmente meno. Regola di massima:

• RTX 3060 (12 GB): va bene per un voice-over che ascolti frase per frase.
• RTX 4090 o RTX 5090: conviene quando dai voce a ore di testo in un batch, o quando aspettare 20 secondi per paragrafo ti rallenta.
• Qualsiasi scheda da 48 GB o più: nessun vantaggio per questi modelli. Paghi memoria che resta vuota.

Velocità e costo per ora di narrazione

Su una scheda da 12 GB, un paio di frasi richiedono tra 10 e 30 secondi con Qwen3-TTS, e una singola frase 5–20 secondi con Chatterbox, a seconda della lunghezza. Fanno circa 1–2,5 secondi di tempo GPU per secondo di parlato su una RTX 3060, e circa 0,4–1 secondo su una RTX 4090. Sono forbici indicative per pianificare, non benchmark: lunghezza del testo, impostazioni e versione del modello le spostano, e la prima frase di una sessione è sempre più lenta mentre il modello si carica.

Per un’ora di narrazione finita (circa 9.000 parole, a metà di ogni forbice):

Aggiungi i minuti che passi ad ascoltare e a rifare frasi, di solito il 10–20% del totale, e qualche minuto all’inizio mentre l’app installa i suoi pacchetti e scarica i pesi. Quei minuti di installazione si pagano, come il traffico del download alla tariffa della macchina. Anche con i rifacimenti e l’installazione, un’ora di narrazione su una RTX 3060 viene circa 0,26 €. La guida alla fatturazione spiega il minimo di 15 minuti per avvio e perché conviene registrare tutto in una sola sessione.

Clonare una voce: decide la registrazione

Con Chatterbox (o VoxCPM2), la qualità del clone dipende molto più dal campione che dalla scheda.

• Durata: 5–10 secondi di parlato continuo. Campioni più lunghi aiutano solo se restano puliti.
• Pulizia: una sola persona che parla, niente musica, niente eco della stanza, niente artefatti da riduzione del rumore. Un telefono tenuto vicino in una stanza arredata batte un buon microfono in una cucina spoglia.
• Il tono giusto: il clone copia anche l’interpretazione. Leggi il campione come vuoi che suoni la narrazione, calmo per un corso, vivace per uno spot.
• La lingua giusta: un campione nella lingua di arrivo dà l’accento migliore. In Chatterbox, se il campione è in un’altra lingua, portare l’impostazione di guida del modello (CFG weight) a 0 o quasi riduce l’accento che si trascina dietro.
• Per VoxCPM2: scrivi nel campo della trascrizione le parole esatte del campione. Una trascrizione sbagliata peggiora il clone.

Se la voce suona affrettata, abbassa un po’ il CFG weight di Chatterbox; se suona monotona, alza l’exaggeration. Cambia un’impostazione alla volta e tieni fisso il seed mentre confronti.

Testi lunghi senza impazzire

Le app sono fatte per paragrafi, non per interi libri in un colpo solo. Un flusso di lavoro che regge:

1. Dividi il copione in paragrafi da due a cinque frasi. Rifare un paragrafo è più rapido che rifare un capitolo.
2. Scrivi numeri, date e abbreviazioni in lettere. “Diecimila euro” e “il dodici marzo” escono bene; “10.000 €” e “12/03” a volte no.
3. Usa la punteggiatura per dirigere. Le virgole danno pause brevi, i punti pause più lunghe, i punti interrogativi alzano il finale.
4. Numera i file (01.wav, 02.wav) mentre li scarichi dal player.
5. Uniscili dopo in Audacity, nel tuo editor video o con ffmpeg.

Per un batch lungo, il link “Use via API” in fondo a ogni app mostra come chiamarla da uno script con gradio_client di Python, un paragrafo per chiamata. Così un copione da 9.000 parole diventa un ciclo che avvii e a cui torni dopo.

Scarica ogni clip appena è pronta. Le app tengono l’audio generato in file temporanei fuori da /workspace, quindi non finisce nella cartella salvata e sparisce quando il server si ferma. La tua registrazione di riferimento e i copioni possono stare in /workspace e sopravvivono a Salva e ferma; i pesi del modello vengono scaricati di nuovo al prossimo avvio. Vedi cosa succede ai tuoi file quando fermi una GPU.

Di chi è la voce? Consenso ed EU AI Act

Clonare una voce oggi è tecnicamente banale, ed è proprio per questo che le regole contano. Sono informazioni generali, non una consulenza legale; per un progetto commerciale con la voce di un’altra persona, chiedi a un avvocato del tuo paese.

• La tua voce: puoi clonarla e usarla.
• La voce di un’altra persona: solo con il suo permesso esplicito, meglio se scritto, che dica per cosa verrà usata e per quanto tempo. Vale anche per amici, colleghi e doppiatori. Molti contratti dei doppiatori oggi parlano esplicitamente di clonazione con l’IA; verifica prima di dare qualcosa per scontato.
• Personaggi pubblici e persone defunte: non farlo. Imitare la voce di una persona reale senza consenso può violare i diritti della personalità, all’immagine o di sfruttamento commerciale in molti paesi, e in alcuni è reato se usata per ingannare.
• La registrazione è un dato personale. Un campione vocale di una persona identificabile ricade nel GDPR, e una voce usata per riconoscere qualcuno è un dato biometrico. Conserva il campione solo per il tempo che ti serve.

L’EU AI Act aggiunge obblighi di trasparenza nell’articolo 50, che si applicano da agosto 2026; alcuni dettagli e periodi transitori erano ancora in fase di aggiustamento nel corso del 2026, quindi verifica la situazione attuale prima di una pubblicazione commerciale. In generale: i sistemi che generano audio sintetico devono marcarlo come prodotto da una macchina, e se pubblichi audio che imita una persona reale in modo da poter passare per autentico, devi dichiarare che è artificiale. Per le opere chiaramente artistiche o satiriche valgono regole più leggere. Quali obblighi ricadono su di te dipende dal tuo ruolo e dall’uso. Un’abitudine semplice copre quasi tutti i casi: scrivi nei titoli di coda o nella descrizione che la voce è generata con l’IA.

Chatterbox aggiunge a ogni file che produce il watermark inudibile di Resemble AI, leggibile dagli strumenti di rilevamento. Per quanto ne sappiamo, Qwen3-TTS e VoxCPM2 non ne aggiungono uno di default, quindi la dichiarazione spetta a te.

Ti serve una GPU tua per questo?

Sinceramente, non sempre. Per poche frasi a settimana, un servizio TTS online o un piccolo modello sulla CPU del portatile richiedono meno fatica, e alcuni servizi commerciali hanno voci di repertorio più rifinite in certe lingue. Una GPU a noleggio conviene di più quando narri ore di testo, ti servono più lingue da una sola voce, vuoi una voce clonata che non lasci mai una macchina che controlli tu, o non vuoi una bolletta a carattere. Avvia una RTX 3060 con l’app giusta, dai voce al primo paragrafo, e in 15 minuti saprai se suona bene.