Voce sintetica italiana
Serena
Una voce femminile italiana per Piper, addestrata su un dataset sintetico di 28 ore. Due versioni, stessa voce: medium per i dispositivi con poche risorse, high per la qualità massima.
Ascolta la voce
Lo stesso campione, generato dalle due versioni del modello.
Campione audio generato dal modello distribuito.
Campione audio generato dal modello distribuito.
Provenienza della voce
Serena è una voce interamente sintetica. Non è stata registrata da una persona: un breve clip di riferimento è stato generato con lo speaker predefinito “Serena” di Qwen3-TTS CustomVoice, poi usato come riferimento fisso con Qwen3-TTS-1.7B-Base in modalità voice cloning (ICL) per produrre tutte le 30.842 clip del dataset.
Lo stesso clip di riferimento è stato riutilizzato per l’intera generazione, così da mantenere costanti timbro e altezza della voce. L’istruzione impartita al modello è stata “Read in a calm, neutral tone.”.
Il dataset
Il modello è addestrato sul dataset serena-synthetic-it-28h, rilasciato con licenza CC BY 4.0.
- Clip: 30.842 (27.895 train / 2.947 validation)
- Durata: 28h 16min (28,27 ore)
- Formato: WAV mono, 22.050 Hz, 16 bit
- Loudness: normalizzato a -23 LUFS, silenzi rimossi
- Lingua: italiano standard neutro, senza accento regionale
- Validazione ASR: WER ≤ 0,25 con faster-whisper large-v3
- Validazione fonetica: PER ≤ 0,30 (wav2vec2 CTC + espeak-ng), PER medio 0,168
- Metadata: formato LJSpeech (
path|transcript), pronto per l’addestramento Piper
Composizione del corpus
Le 30.842 frasi provengono da due fonti:
- ~90% frasi derivate da Tatoeba (italiano, CC BY 2.0 FR), adattate: i nomi inglesi/americani sono stati sostituiti con nomi italiani e il testo ha ricevuto correzioni editoriali e sugli accenti. Sono quindi opere derivate, non copie letterali. Nessun audio di Tatoeba è stato utilizzato.
- ~10% frasi originali generate da LLM (Claude Sonnet, GPT-4o, Qwen, Gemini, DeepSeek), scritte specificamente per il corpus su registri conversazionale, tecnico e letterario.
Scheda tecnica
- Lingua
- Italiano standard neutro, senza accento regionale
- Genere
- Voce femminile
- Campione
- 22.050 Hz, mono, 16 bit
- Formato
- Piper / ONNX (
.onnx+.onnx.json) - Licenza
- CC BY 4.0
- Dataset
- 28,27 ore, 30.842 clip
Medium o high?
Le due versioni condividono la stessa voce e gli stessi parametri di inferenza: cambiano dimensione del modello e qualità percepita.
| Modello | Qualità | Dimensione | Uso consigliato |
|---|---|---|---|
| it_IT-serena-medium | Media | 60,6 MB | Dispositivi con risorse limitate, sintesi in tempo reale, Home Assistant |
| it_IT-serena-high | Alta | 108,9 MB | Qualità massima per narrazione e audiolibri; richiede più CPU e RAM |
Come è nata Serena
La pipeline che trasforma un corpus di testo in un dataset TTS validato, pubblicata come progetto open source.
Generazione
Qwen3-TTS-1.7B-Base in voice cloning (ICL) genera l'audio dal corpus di testo, su GPU, con checkpoint ripartibile.
Validazione ASR
faster-whisper large-v3 trascrive ogni clip e scarta quelle con WER superiore a 0,25.
Verifica fonetica
wav2vec2 + espeak-ng confrontano i fonemi e intercettano gli errori di pronuncia che l'ASR non vede (PER ≤ 0,30).
Normalizzazione
Mono, 22.050 Hz, loudness a -23 LUFS, silenzi rimossi, PCM 16 bit.
Pubblicazione
Manifest LJSpeech, split train/val deterministico e archivio pronto per Hugging Face.
Consigli d'utilizzo
I file .onnx.json includono già i parametri consigliati, scelti dopo test di stabilità: i default standard di Piper (0,667 / 0,8) tendono a “mangiare” alcuni fonemi, per esempio la /r/ in “portato”.
noise_scale: 0,6length_scale: 1,0noise_w: 0,4sentence_silence: 0,2
L’add-on Piper di Home Assistant ignora i valori del file .onnx.json e imposta i propri: per ottenere la qualità migliore va configurato a mano con gli stessi valori.
La pronuncia di vocaboli rari (meno di 10 occorrenze nel training set) può essere imprecisa; si può correggere con le regole di espeak-ng. I checkpoint di addestramento sono pubblicati come base per fine-tuning di altre voci italiane: serena-high-checkpoint e serena-medium-checkpoint.
Limiti e considerazioni etiche
Come ogni voce sintetica, Serena può essere usata per addestrare sistemi di clonazione vocale. Chi la utilizza deve considerare i rischi di uso improprio e assicurarsi che le proprie applicazioni rispettino le leggi e le linee guida etiche applicabili.Licenze e condizioni d'utilizzo
Ogni artefatto ha la sua licenza: modello e dataset sono CC BY 4.0 e richiedono attribuzione; il codice del generatore è MIT; i componenti di terze parti mantengono le proprie condizioni.
| Artefatto | Licenza | Note |
|---|---|---|
| Modelli Piper (medium e high) | CC BY 4.0 | Attribuzione richiesta. File .onnx e .onnx.json da distribuire insieme. |
| Dataset serena-synthetic-it-28h | CC BY 4.0 | 30.842 clip, 28,27 ore, con dataset card e campioni audio. |
| qwen3-tts-dataset-generator | MIT | Codice della pipeline di generazione e validazione. |
| Qwen3-TTS | Apache-2.0 | Modello usato per generare l’audio del dataset. |
| Piper (piper1-gpl) | GPL-3.0 | Runtime separato: non è coperto dalla licenza del modello. |
| Frasi Tatoeba (adattate) | CC BY 2.0 FR | ~90% delle trascrizioni. Nessun audio di Tatoeba è stato usato. |
Attribuzione consigliata
Usa il blocco della versione che distribuisci. Il dataset ha una propria stringa di attribuzione, indicata nella dataset card.
Versione medium
it_IT-serena-medium by Marco Baccarani.
Company: Committa — https://committa.it
Source: https://huggingface.co/committa/it_IT-serena-medium
License: CC BY 4.0.Versione high
it_IT-serena-high by Marco Baccarani.
Company: Committa — https://committa.it
Source: https://huggingface.co/committa/it_IT-serena-high
License: CC BY 4.0.Testo identico a quello della model card: se ridistribuisci il modello, mantieni nome, URL e licenza.
Ti serve una voce italiana per il tuo progetto?
Possiamo addestrare, valutare e integrare voci Piper su misura, on-premise o in un prodotto.