Per i video con pupazzetti serve una voce. Le voci online costano, mandano il tuo testo a un servizio esterno e a volte cambiano licenza. Un modello che gira sul tuo computer risolve tutto questo: il testo resta tuo e non c’è un abbonamento.
Installazione
Su Linux serve espeak-ng per la fonetica (sudo apt install espeak-ng). Poi, in un ambiente Python:
python -m venv .venv && source .venv/bin/activate
pip install kokoro soundfile numpy
Il primo avvio scarica il modello (poche centinaia di MB). Dopo funziona anche senza rete.
Una voce per scena
Una frase per scena, e il programma ti dice quanto dura ognuna. Quelle durate servono per far coincidere le scene con la voce (vedi sincronizzare scene e voce).
import numpy as np, soundfile as sf
from kokoro import KPipeline
SR = 24000
pipe = KPipeline(lang_code="i") # "i" = italiano, "a" = inglese americano
scene_texts = ["Hai rubato un'auto e ti cerca la polizia? Calma.", "Cambia macchina e vestiti."]
audio, t = [], 0.0
for i, text in enumerate(scene_texts):
parts = [np.asarray(a, dtype=np.float32) for _, _, a in pipe(text, voice="if_sara")]
wav = np.concatenate(parts)
pause = np.zeros(int(0.4 * SR), dtype=np.float32) # un po' di respiro tra le scene
dur = (len(wav) + len(pause)) / SR
print(f"scena {i+1}: da {t:.2f} s a {t+dur:.2f} s")
audio += [wav, pause]
t += dur
sf.write("voce.wav", np.concatenate(audio), SR)
Le voci italiane che ho provato sono if_sara (femminile) e im_nicola (maschile); per l’inglese americano af_heart e am_michael. Cambia lang_code insieme alla voce.
Cosa aspettarsi
La voce è chiara e veloce, ma piatta: non ha emozione e non puoi chiederle di “dirlo con più energia”. Per un video di spiegazione va bene; per un racconto servono modelli più lenti che gestiscono l’espressività. Scrivi le frasi corte e con la punteggiatura giusta, perché il modello legge come legge il testo: una virgola in più è una pausa in più.
Prima di pubblicare riascolta tutto. Numeri, sigle e nomi stranieri (Leonida, Vice City) a volte escono storti: se succede, riscrivili come si pronunciano.
Per usare la voce in un video vedi video con pupazzetti, senza gameplay.
Provato il 20 novembre 2026 su un portatile senza scheda video: due frasi in italiano, circa 15 secondi.
Domande frequenti
Serve una scheda video per la voce AI?
Non per Kokoro: è piccolo (82 milioni di parametri) e va sulla CPU. In una prova, due frasi in italiano hanno richiesto circa 15 secondi, caricamento incluso.
Le voci si possono usare nei video monetizzati?
Controlla la licenza del modello e delle voci che scarichi. Kokoro è pubblicato con licenza permissiva, ma verifica sulla pagina del modello prima di monetizzare.