Parla con la tua voce, in una lingua che non parli

Ecco la parte della traduzione in tempo reale che quasi tutti sbagliano e di cui quasi nessuno parla: la voce che ascolti.

Puoi avere un riconoscimento vocale eccellente e una traduzione eccellente, e ritrovarti comunque con un meeting che sembra una macchina che legge un elenco. Perché l'ultimo passaggio, quello che trasforma di nuovo il testo tradotto in suono, è il punto in cui la maggior parte degli strumenti sostituisce silenziosamente te con un unico narratore sintetico generico. Otto persone nella stanza, una sola voce robotica per tutte. Si perde chi sta parlando, l'enfasi, la personalità. Comprensibile, ma non una conversazione.

InterMIND affronta l'ultimo passaggio in modo diverso. Quando parli, gli altri partecipanti ascoltano la traduzione con una voce riconoscibilmente tua, che porta il tuo timbro e il tuo modo di parlare e pronuncia le parole nella loro lingua. Non è ancora un'imitazione impeccabile; il punto è che sei tu e non un narratore generico, e la resa migliora sempre di più. Funziona per ogni partecipante, in entrambe le direzioni, contemporaneamente.

Questo articolo è il capitolo mancante di Inside the four translation pipelines that run InterMIND: quel pezzo spiegava come l'audio diventa audio tradotto. Questo racconta di chi è la voce che esce dall'altra parte.

L'impostazione predefinita di tutti, e perché suona piatta

Se hai usato la traduzione in tempo reale in una delle grandi piattaforme per meeting, conosci quel suono. Una voce neutra, dal ritmo regolare, legge la traduzione. È la stessa voce sia che a parlare sia il tuo CEO che apre un town hall, sia un collega che fa una battuta. La tecnologia sottostante è una sintesi vocale (text-to-speech) con un unico modello di voce fisso, e l'assunto di progetto è che l'intelligibilità basti.

In un meeting vero non basta. Metà di ciò che un meeting comunica sta in chi dice una cosa e in come la dice. Togli la voce e hai trasformato una discussione in una trascrizione che per caso viene letta ad alta voce. Le persone smettono di reagire le une alle altre e cominciano ad aspettare il proprio turno.

Cosa fa invece InterMIND

La traduzione funziona come una pipeline a cascata: tre fasi specializzate in sequenza, anziché un unico modello che cerca di fare tutto. Le prime due fasi sono trattate nell'articolo sulle pipeline; quella della voce è l'argomento di questo articolo:

ASR — riconoscimento vocale. Le tue parole vengono trascritte nella tua lingua, mentre parli, sul nostro motore: il media server che trasporta la chiamata (Mind API, OVH Francia), così la traduzione può partire prima che la frase finisca.
MT — traduzione. La trascrizione viene raggruppata in frammenti di frase stabili, le clausole, in modo che la traduzione possa iniziare prima che tu abbia finito la frase, e ogni frammento viene tradotto progressivamente nella lingua di chi ascolta.
Zero-shot TTS — sintesi vocale. Ogni frammento tradotto viene pronunciato usando un campione della tua voce e inviato in streaming a chi ascolta.

È questa terza fase, ASR → MT → zero-shot TTS, a produrre l'effetto. "Zero-shot" significa che il sistema non ha bisogno di una registrazione preliminare né di una sessione di addestramento per la tua voce: modella la tua voce a partire dall'audio del meeting in cui ti trovi già.

Il warm-up: come arriva a suonare come te così in fretta

Nell'espressione "usa un campione della tua voce" si nasconde un problema dell'uovo e della gallina. All'inizio di una chiamata il sistema non ti ha ancora ascoltato abbastanza da modellare bene la tua voce.

InterMIND risolve il problema con un warm-up progressivo:

Per i primi 5–10 secondi circa, mentre sta ancora raccogliendo abbastanza parlato, ogni frammento tradotto viene sintetizzato usando il frammento audio che corrisponde a ciò che hai appena detto nella lingua di partenza. La voce resta ancorata al tuo parlato reale e immediato.
Quando il campione è abbastanza lungo, cioè superati quei 5–10 secondi, il sistema lo fissa e lo usa per dare voce a tutto ciò che segue.

In pratica non senti alcuno scatto. La traduzione assomiglia sempre più a te man mano che la conversazione prende il via: non un doppio perfetto della tua voce, ma chiaramente la tua e non quella di una macchina, e in miglioramento man mano che il modello ti ascolta. È la combinazione di traduzione progressiva (clausola per clausola, non frase per frase) e sintesi vocale progressiva a mantenere tutto entro il budget di latenza, senza perdere la naturalezza.

Registra la tua voce una volta sola e salta il warm-up

Il warm-up descritto sopra è ciò che accade per impostazione predefinita, senza configurare nulla. Da settembre 2026 esiste un secondo percorso facoltativo per chi ha effettuato l'accesso: un campione vocale salvato in Settings → Your voice in translation.

Registrarlo richiede un solo gesto. Premi Record my voice, attendi Speak now e pronuncia i numeri da uno a dieci, in qualsiasi ordine. Ogni numero si illumina sulla card quando il motore vocale lo riconosce; quando tutti e dieci sono accesi, il campione viene controllato e salvato automaticamente. Non c'è nulla da riascoltare o confermare, e non c'è alcun conto alla rovescia: la card conserva il tratto della registrazione che contiene i numeri. Una stanza silenziosa e un paio di cuffie con microfono danno il risultato migliore.

Cosa cambia con il campione salvato: dal meeting successivo, il sintetizzatore dà voce alla tua traduzione usandolo fin dal primo frammento, così dall'altra parte ti sentono come te fin dalla prima frase, e non dopo il warm-up. Sotto il cofano è la stessa sintesi zero-shot, ma con un punto di partenza migliore; il warm-up live continua comunque a raffinare la voce mentre la chiamata procede.

La registrazione viene sottoposta a un controllo prima di essere salvata. Deve contenere da 3 a 10 secondi di parlato chiaro (la finestra di input del sintetizzatore): se è troppo silenziosa, saturata, in gran parte silenzio o sommersa dal rumore di fondo, la card ti dice cosa correggere e ti chiede un'altra registrazione. Abbiamo scelto i numeri come frase per un motivo pratico: sono brevi, riconoscibili in tutte le 23 lingue, e il motore può confermare di averli sentiti tutti e dieci, il che trasforma il dubbio "la registrazione è andata bene?" in un sì ben visibile.

Due campioni vocali, due durate di vita

Questa è la parte su cui un team di sicurezza o legale chiede subito chiarimenti, quindi eccola in modo semplice. Ci sono due campioni diversi, e hanno un ciclo di vita diverso.

Il campione live usato per il warm-up durante il meeting è effimero. Esiste solo per la sessione di conferenza dal vivo, al servizio della resa vocale della traduzione, e non viene conservato da nessuna parte. Mind API e l'SDK che alimentano la sessione in tempo reale non conservano alcun dato; tutto ciò che è temporaneo scompare quando la sessione di conferenza termina.

Il campione salvato da Settings viene conservato con il tuo account, per un solo scopo: viene inviato al motore di traduzione ogni volta che entri in un meeting, così il tuo parlato tradotto può essere pronunciato con la tua voce, e per nient'altro. Resta finché non premi Remove sulla card, cosa che ti riporta subito al warm-up standard, e viene eliminato insieme al tuo account. Gli ospiti non possono registrarne uno: è una funzione riservata a chi ha effettuato l'accesso, per scelta di progetto.

Vale la pena essere precisi su ciò che nessuno dei due campioni è: non sono una delle funzioni di registrazione di InterMIND. Registrare il video e l'audio di un meeting è un'azione distinta e deliberata, che compi di proposito, con i suoi controlli. Un campione vocale è un input per il sintetizzatore vocale: transitorio nel caso live, da conservare o eliminare a tua scelta nel caso salvato.

Perché nessun altro lo offre

Non è che la clonazione vocale sia un segreto. È che farla dal vivo, per ogni partecipante, in entrambe le direzioni, al ritmo di una conversazione, in 23 lingue, senza conservare nulla che tu non abbia chiesto è un problema diverso dal clonare una voce offline per un podcast.

Le grandi piattaforme ottimizzano la traduzione per la copertura dei sottotitoli e per un'unica voce narrante sicura: è l'impostazione predefinita economica e robusta su larga scala. Mantenere la voce di ciascun parlante significa che la fase di sintesi deve seguire ogni partecipante in modo indipendente e restare entro lo stesso budget di latenza in cui vive il resto della pipeline. Il motore vocale l'abbiamo costruito noi, sulla nostra infrastruttura, ed è questo che ci permette di decidere noi questo compromesso. (Perché il motore è codice nostro: What one InterMIND meeting is built from.)

Dove stiamo andando: il lip-sync

Mantenere la tua voce è una metà di un obiettivo più grande. L'altra metà è il tuo volto.

Per ora senti l'altra persona con la sua voce, ma se è in video, le sue labbra si muovono ancora seguendo le parole che ha detto davvero, in una lingua che non leggi. Il passo successivo è il lip-sync: ritemporizzare la bocca di chi parla sull'audio tradotto, così che sul tuo schermo sembri parlare la tua lingua.

Metti insieme le due cose e il senso di tutto questo lavoro diventa chiaro. Due persone che non hanno nessuna lingua in comune siedono ai due lati di una videochiamata e si vedono e si sentono come se ciascuna fosse madrelingua dell'altra: stessa voce, stesso volto, nessun interprete in mezzo, nessun robot che legge un copione.

Per essere chiari sullo stato delle cose: la voce è disponibile oggi; il lip-sync è nella roadmap, non ancora rilasciato. Indichiamo la destinazione perché è il motivo per cui il lavoro sulla voce conta: la traduzione con la propria voce non è la funzione in sé, è la prima metà di "parla con chiunque, in qualsiasi lingua, restando te stesso."

Dove ascoltarla

La traduzione con la propria voce è disponibile oggi, in tutte le 23 lingue vocali, le stesse elencate nella documentazione. Non c'è nulla da attivare separatamente: quando la traduzione è abilitata in un meeting, i partecipanti si ascoltano automaticamente con la propria voce. Siamo onesti su dove si trova oggi: la voce è già riconoscibilmente tua, e la somiglianza è qualcosa che stiamo attivamente cercando di avvicinare ancora. Vai ad ascoltarla e giudica da te.

Prova la demo — esegue la pipeline vocale live sul tuo audio in una qualsiasi delle 23 lingue.
Guarda i numeri sulla qualità — la stessa pipeline di produzione, valutata ogni mese su FLORES-200, con la distribuzione completa pubblicata per ogni coppia di lingue.
Registra il tuo campione vocale — con l'accesso effettuato, una registrazione dei numeri da uno a dieci, e dalla prima frase ti ascoltano con la tua voce.
Come funziona, nella documentazione — la versione breve di questo articolo.
Vedila insieme ai sottotitoli e a una trascrizione ricercabile — come i tre elementi si comportano insieme in un unico meeting.