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 una riunione che sembra una macchina che legge un elenco. Perché l'ultimo passaggio, quello che trasforma il testo tradotto di nuovo 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 da robot per tutte. Si perde chi sta parlando, l'enfasi, la personalità. Comprensibile, ma non è una conversazione.

InterMIND fa 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 che ora dice le parole nella loro lingua. Non è ancora un'imitazione perfetta: il punto è che sei tu e non un narratore generico, e la resa migliora di continuo. Funziona per ogni partecipante, in entrambe le direzioni, nello stesso momento.

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 parla di di chi sia la voce che esce dall'altra parte.

Lo standard che tutti adottano, e perché è piatto

Se hai usato la traduzione dal vivo in una delle grandi piattaforme di riunioni, conosci il suono. Una voce neutra, dal ritmo uniforme, 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 di base è la sintesi vocale (text-to-speech) con un unico modello di voce fisso, e il presupposto progettuale è che la comprensibilità basti.

In una riunione vera non basta. Metà di ciò che una riunione comunica sta in chi parla e in come lo fa. Se togli la voce, 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 si mettono ad aspettare il proprio turno.

Cosa fa invece InterMIND

La traduzione funziona come una pipeline a cascata: tre fasi specializzate in sequenza, invece di un unico modello che cerca di fare tutto. Le prime due fasi sono trattate nel post sulle pipeline; la fase della voce è quella di cui parla questo articolo:

1. ASR — riconoscimento vocale. Le tue parole vengono trascritte nella tua lingua, mentre parli, sul nostro motore: il media server che porta la chiamata (Mind API, OVH France). In questo modo la traduzione può partire prima che la frase finisca.
2. MT — traduzione. La trascrizione viene raggruppata in frammenti di frase stabili — le clausole — così la traduzione può iniziare prima che tu abbia finito la frase, e ogni frammento viene tradotto progressivamente nella lingua di chi ascolta.
3. Zero-shot TTS — sintesi vocale. Ogni frammento tradotto viene pronunciato usando un campione della tua voce e trasmesso 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. Costruisce il modello della tua voce a partire dall'audio della riunione in cui ti trovi già.

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

Dietro l'idea di "usare 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 sentito abbastanza per 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 tua lingua di partenza. La voce sintetizzata è ancorata al tuo parlato reale e immediato.
• Quando il campione è abbastanza lungo — cioè raggiunta la soglia dei 5–10 secondi — il sistema lo fissa e lo usa per dare voce a tutto ciò che viene dopo.

In pratica non senti alcuno "scatto". La traduzione assomiglia sempre di più a te man mano che la conversazione si avvia: non è un doppio perfetto della tua voce, ma è chiaramente la tua e non quella di una macchina, e migliora man mano che il modello ti ascolta. La combinazione di traduzione progressiva (clausola per clausola, non frase per frase) e di sintesi vocale progressiva è ciò che mantiene l'insieme entro il budget di latenza senza rinunciare a un suono umano.

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

Il warm-up descritto sopra è ciò che avviene per impostazione predefinita, senza alcuna configurazione. Da settembre 2026 esiste un secondo percorso facoltativo per gli utenti che hanno 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 di' i numeri da uno a dieci in qualsiasi ordine. Ogni numero si illumina sulla scheda man mano che il motore vocale lo sente; quando tutti e dieci sono accesi, il campione viene controllato e salvato automaticamente. Non c'è nulla da riascoltare o da confermare, e nessun conto alla rovescia: la scheda conserva il tratto della tua registrazione che contiene i numeri. Una stanza silenziosa e una cuffia con microfono danno il risultato migliore.

Cosa cambia il campione salvato: dalla tua prossima riunione, il sintetizzatore dà voce alla tua traduzione con quel campione fin dal primo frammento, così l'altra parte ti sente come te stesso già dalla prima frase, invece che dopo il warm-up. Sotto il cofano è la stessa sintesi zero-shot, ma con un punto di partenza migliore; il warm-up dal vivo continua comunque a affinare la voce man mano che la chiamata procede.

La registrazione viene verificata prima di essere salvata. Deve contenere da 3 a 10 secondi di parlato chiaro (la finestra di input del sintetizzatore): se è troppo bassa, distorta, in gran parte silenzio o sommersa dal rumore di fondo, la scheda ti dice cosa correggere e ti chiede un'altra registrazione. I numeri sono stati scelti come frase per una ragione pratica: sono brevi, riconoscibili in ciascuna delle 23 lingue, e il motore può confermare di averli sentiti tutti e dieci, il che trasforma il dubbio "la registrazione ha funzionato?" in un sì ben visibile.

Due campioni vocali, due durate di vita

Questa è la parte su cui un team di sicurezza o legale fa subito domande, quindi la spieghiamo con chiarezza. Ci sono due campioni diversi, e vivono in modo diverso.

Il campione dal vivo usato per il warm-up durante la riunione è effimero. Esiste solo per la sessione di conferenza dal vivo, al servizio della sintesi 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 unico scopo: viene inviato al motore di traduzione ogni volta che entri in una riunione, così che il tuo parlato tradotto possa essere pronunciato con la tua voce, e per nient'altro. Resta finché non premi Remove sulla scheda, 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 è una delle funzioni di registrazione di InterMIND. Registrare video e audio di una riunione è un'azione distinta e deliberata, che compi di proposito, con i propri controlli. Un campione vocale è un input per il sintetizzatore vocale: transitorio nel caso dal vivo, da conservare o eliminare a tua scelta nel caso del campione 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 di conservare 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 economica e robusta su larga scala. Mantenere la voce di ciascun interlocutore 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, in più: What one InterMIND meeting is built from.)

Dove stiamo andando: il lip-sync

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

Oggi senti l'altra persona con la sua voce, ma se sei in video, le sue labbra si muovono ancora sulle parole che ha realmente pronunciato, in una lingua che non leggi. Il passo successivo è il lip-sync: ricalibrare i tempi della bocca di chi parla sull'audio tradotto, in modo che sul tuo schermo sembri che parli la tua lingua.

Metti insieme le due cose e il senso di tutto questo lavoro diventa chiaro. Due persone che non condividono alcuna lingua 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 dei lavori: la voce è attiva 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, come te stesso."

Dove ascoltarla

La traduzione con la propria voce è attiva 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 una riunione, i partecipanti si sentono automaticamente con le proprie voci. Siamo onesti su dove siamo: 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 dal vivo 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 hai la tua voce fin dalla prima frase.
• Come funziona, nella documentazione — la versione breve di questo articolo.
• Guardala insieme ai sottotitoli e a una trascrizione consultabile — come i tre elementi si comportano insieme in una stessa riunione.

Una riunione tradotta dovrebbe sembrare le persone che ci sono davvero a parlare tra loro. Mantenere la tua voce è il modo per arrivarci.