Text to speech italiano gratis: Kokoro e Chatterbox per i giochi
Voce AI gratis per uso commerciale: Kokoro e Chatterbox senza GPU, sintesi vocale open source, clonazione della voce e TTS in italiano.

La home page di questo sito è una base lunare. Aprendo terryl.in entri in un piccolo gioco 3D realizzato con Three.js: guidi un astronauta che gira per la base, indossa la tuta spaziale, esce dalla camera di equilibrio sulla superficie lunare oppure va al bar a ordinare un cocktail. Il blog «Diario della base lunare» racconta come questa base è stata costruita, passo dopo passo.
Nel bar lavora un robot barista di nome Arthur. Il personaggio è un omaggio ad Arthur, il barista androide del film Passengers (2016). Come lui è gentile, educatissimo e parla senza alcuna espressione. Alcune sue battute sono riprese e adattate dal film: chi l'ha visto le riconoscerà. Se gli chiedi perché continua ad asciugare lo stesso bicchiere, risponde: «Se non pulissi il bicchiere, dovrei fare conversazione». Peccato che finora tutte queste battute siano rimaste solo testo in un fumetto di dialogo.
Nell'articolo precedente ho usato Stable Audio 3 Small SFX per creare gli effetti sonori della base lunare; stavolta tocca al doppiaggio. Prima, per dare voce ai personaggi di un gioco, bisognava ingaggiare dei doppiatori o usare un servizio cloud di sintesi vocale con l'AI che fattura in base al numero di caratteri, come ElevenLabs. Oggi esistono diversi modelli TTS (text to speech) open source, gratuiti e utilizzabili anche per scopi commerciali: li scarichi sul tuo computer e li usi senza pagare a consumo. Sono anche un'alternativa gratuita a ElevenLabs.
In questo articolo metto a confronto i modelli TTS open source che oggi vale la pena provare. Ho installato Kokoro TTS e Chatterbox TTS su un portatile senza scheda grafica, ho fatto parlare Arthur in inglese e in italiano e ho provato la clonazione della voce gratuita, così che il personaggio mantenga lo stesso timbro in ogni battuta.
Quale generatore di voce AI open source scegliere? Confronto tra modelli per uso commerciale
Prima le conclusioni. Questi sono i modelli che ho selezionato dopo aver controllato le licenze, tutti utilizzabili per scopi commerciali:
Modello | Parametri | Licenza | Clonazione della voce | Lingue | Hardware |
|---|---|---|---|---|---|
Kokoro-82M | 82 milioni | Apache 2.0 | No, 54 voci integrate | 8, italiano compreso | Gira su CPU |
Chatterbox-Nano | 110 milioni | MIT | Sì | Solo inglese | Gira su CPU |
Chatterbox-Turbo | 350 milioni | MIT | Sì | Solo inglese | Su CPU, più lento |
Chatterbox (originale, Multilingual V3, versione cinese) | 500 milioni | MIT | Sì | Multilingual V3: 23, italiano compreso | Su CPU, molto lento |
Step Audio EditX | circa 3 miliardi | Apache 2.0 | Sì | Molto forte in cinese | Serve una scheda NVIDIA |
Qwen3-TTS (0.6B, 1.7B) | 600 milioni, 1,7 miliardi | Apache 2.0 | Sì, con 3 s di voce di riferimento | 10, italiano compreso | Lo 0.6B gira su CPU, clonazione molto lenta |
In breve:
- Veloce, leggero, su un portatile: Kokoro.
- Clonare una voce perché il personaggio suoni sempre uguale: Chatterbox. Nano per l'inglese, Multilingual V3 per l'italiano.
- Se hai una scheda NVIDIA: Qwen3-TTS, che permette di «progettare» una voce descrivendola a parole e di controllare l'emozione con delle istruzioni.
- Scheda grafica potente e massima qualità di suono ed emozione: Step Audio EditX.
Step Audio EditX richiede una scheda NVIDIA che il mio portatile non ha, quindi non l'ho provato. Di Qwen3-TTS ho testato il modello più piccolo, lo 0.6B, che gira anche su CPU: i risultati sono più sotto.
Questo articolo è una panoramica. Più avanti ogni modello avrà un articolo dedicato: Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX e anche VoiceStudio.
Nelle classifiche con ascolto alla cieca valutate da persone (come Speech Arena), ai primi posti ci sono ancora servizi chiusi come ElevenLabs; nessun modello open source è ancora entrato nella top 10. Ma un gioco non ha sempre bisogno della migliore qualità audio. Per le battute degli NPC, la narrazione AI di un tutorial o le voci provvisorie durante lo sviluppo, un modello open source basta e avanza.
Un'altra opzione: Qwen3-TTS
Qwen3-TTS è una famiglia di modelli TTS rilasciata come open source a gennaio 2026 dal team Qwen (Tongyi Qianwen) di Alibaba, con licenza Apache 2.0, quindi utilizzabile per scopi commerciali. Esiste in due dimensioni, 0.6B e 1.7B, ciascuna divisa in più versioni con usi diversi:
- Base: clonazione della voce con appena 3 secondi di voce di riferimento.
- CustomVoice: 9 voci integrate, tra cui voci maschili con accento di Pechino e del Sichuan; la versione 1.7B accetta anche istruzioni sul tono, per esempio «dillo con un tono molto arrabbiato».
- VoiceDesign (1.7B): progetti la voce con una descrizione testuale, per esempio «ragazzo di 17 anni, tenore, che parla con sempre più sicurezza».
Supporta 10 lingue: cinese, inglese, giapponese, coreano, tedesco, francese, russo, portoghese, spagnolo e italiano. Secondo la valutazione ufficiale supera ElevenLabs per precisione di pronuncia e somiglianza della voce in cinese, ma si tratta di test del produttore stesso.
Per doppiare un gioco, il metodo più pratico è progettare prima la voce e poi clonarla: descrivi la voce del personaggio a VoiceDesign, generi una battuta da usare come riferimento e cloni tutte le altre battute con Base, così il timbro resta coerente. È molto simile a quello che faccio in questo articolo con Kokoro e Chatterbox.
Si installa con pip install -U qwen-tts. Gli esempi ufficiali girano tutti su schede NVIDIA con bfloat16 e FlashAttention 2; non indicano quanta memoria video serva né se funzioni solo con la CPU.
Ho provato lo 0.6B su CPU, sullo stesso portatile:
- Voce integrata (CustomVoice): circa 31 secondi per generare una battuta di circa 6 secondi.
- Clonazione della voce (Base): oltre 4 minuti per una battuta di 4-5 secondi, tre volte il tempo richiesto dalla versione di Chatterbox ottimizzata per il cinese.
Come con qualsiasi modello TTS, nomi propri, parole straniere e parole la cui pronuncia dipende dal contesto vanno ascoltati con attenzione prima di usarli.
Senza scheda grafica conviene usare le voci integrate di Qwen3-TTS; per produrre molte battute con la clonazione serve comunque una scheda NVIDIA.
Sembrano open source, ma non sono utilizzabili per scopi commerciali
La trappola più comune nella scelta del modello è la licenza. Il fatto che i pesi siano pubblicati su Hugging Face non significa che tu possa guadagnarci:
- Coqui XTTS v2: multilingue, può clonare voci ed era molto popolare, ma la licenza è la Coqui Public Model License, solo per uso non commerciale.
- Fish Audio S2 Pro: pesi pubblici, ma per l'uso commerciale bisogna acquistare una licenza da Fish Audio.
- Alcuni modelli di ricerca: usano la licenza CC BY-NC (NC significa solo uso non commerciale).
Prima di scaricare qualsiasi cosa, guarda il campo License nella pagina del modello e leggi il testo completo.
Cos'è Kokoro TTS? Parla italiano? Si può usare per scopi commerciali?
Kokoro-82M è un modello TTS di appena 82 milioni di parametri, la cui versione 1.0 è uscita a gennaio 2025. È così piccolo che gira su CPU, eppure la qualità audio è tra le migliori della sua categoria; per questo lo usano molte API commerciali e molti progetti.
- Licenza: Apache 2.0, utilizzabile per scopi commerciali, anche integrato nei tuoi prodotti.
- Dati di addestramento: secondo la documentazione ufficiale, solo registrazioni di pubblico dominio, registrazioni con licenza Apache o MIT e voce sintetica prodotta da TTS chiusi di grandi aziende; nessuna voce clonata dalla voce di altre persone.
- Voci: 54 voci integrate in 8 lingue: inglese (americano e britannico), giapponese, cinese, spagnolo, francese, hindi, italiano e portoghese brasiliano.
- Limiti: non clona le voci, puoi solo scegliere tra quelle integrate.
Per la voce inglese di Arthur ho scelto bm_george, per quella italiana la voce maschile im_nicola (gli esempi sono più sotto).
Attenzione: la documentazione ufficiale avverte che i siti con «kokoro» nel nome di dominio non hanno nulla a che fare con questo modello. Non pagare e non scaricare nulla da quei siti.
Cos'è Chatterbox TTS? Parla italiano? Si può usare per scopi commerciali?
Chatterbox è una famiglia di modelli TTS open source di Resemble AI, un'azienda specializzata in tecnologie vocali. Il suo punto di forza è la clonazione della voce: gli dai 5-10 secondi di una voce e lui legge nuove battute con quel timbro. La versione originale permette di regolare l'intensità dell'emozione, mentre la versione Turbo accetta nel testo tag come [laugh], [chuckle] o [cough] per aggiungere risate o colpi di tosse.
- Licenza: MIT, utilizzabile per scopi commerciali.
- Filigrana: ogni audio generato contiene la filigrana Perth di Resemble. Non si sente, ma resiste alla conversione in mp3 e al montaggio, così gli strumenti di rilevamento possono capire se una voce è stata generata dall'AI.
- Non più mantenuto: ad agosto 2026 Resemble AI ha annunciato che Chatterbox è un «progetto di ricerca concluso». Non ci saranno altri aggiornamenti e l'azienda ora si concentra sul rilevamento dei deepfake. Codice e pesi restano disponibili con licenza MIT, quindi puoi ancora scaricarli e usarli per scopi commerciali, ma non arriveranno nuove versioni né supporto.
Proprio quest'ultimo punto mostra il vantaggio dell'open source: con i pesi sul tuo computer, la chiusura del servizio non ti tocca. Se un servizio vocale in cloud aumenta i prezzi o chiude, non puoi più modificare le voci del tuo gioco; un modello open source salvato sul disco ti permetterà, anche tra dieci anni, di aggiungere battute con la stessa voce.
Chatterbox ha diverse versioni, all'inizio è facile confonderle:
Versione | Parametri | Lingue | Caratteristiche |
|---|---|---|---|
Chatterbox (originale) | 500 milioni | Inglese | Intensità dell'emozione regolabile (exaggeration) |
Multilingual V3 | 500 milioni | 23, italiano compreso | Un solo modello per molte lingue |
Versione ottimizzata per il cinese (zh-cmn) | 500 milioni | Cinese | Messa a punto apposta per il cinese |
Turbo | 350 milioni | Inglese | Più veloce, tag per risate e tosse, voce di riferimento obbligatoria |
Nano | 110 milioni | Inglese | Il più piccolo e veloce; secondo il produttore, una generazione 3 volte più veloce del tempo reale su una CPU a 8 core |
Requisiti: funziona senza scheda grafica?
Il mio portatile ha un Intel Core Ultra 5 (6 core) e solo la grafica integrata, quindi in pratica tutto gira su CPU. La tabella riporta i tempi misurati per battuta; ogni battuta dura circa 4-6 secondi e il tempo include ogni volta il caricamento del modello:
Modello | Tempo per battuta |
|---|---|
Kokoro (inglese) | circa 9 s |
Kokoro (cinese) | circa 13 s |
Chatterbox-Nano (clonazione) | circa 15-20 s |
Chatterbox-Turbo (clonazione) | circa 40 s |
Chatterbox originale | circa 60 s |
Chatterbox ottimizzato per il cinese (clonazione) | circa 80 s |
Qwen3-TTS 0.6B (voce integrata) | circa 31 s |
Qwen3-TTS 0.6B (clonazione) | circa 4 min |
Kokoro e Chatterbox Nano sono comodissimi su un portatile: modifichi una battuta, la ascolti e in una decina di secondi hai finito. Le versioni di Chatterbox da 500 milioni di parametri impiegano uno o due minuti per battuta su CPU: meglio preparare un intero blocco e lasciarlo lavorare in background. Con una scheda NVIDIA è tutto molto più veloce.
Quanto allo spazio su disco, l'ambiente Python di ciascuno strumento (con PyTorch per CPU) occupa circa 1,5 GB. I modelli si scaricano a parte: quelli di Kokoro sono minuscoli, ogni versione di Chatterbox occupa da 1 a 3 GB.
Come installare Kokoro TTS (versione CPU, con l'italiano)
Ti consiglio di creare un ambiente Python separato con uv invece di installare nel Python di sistema. Kokoro supporta Python dalla 3.10 alla 3.12:
mkdir kokoro && cd kokoro
uv venv --python 3.11 && source .venv/bin/activate
uv pip install kokoro soundfilePer le lingue diverse dall'inglese la pronuncia è gestita da espeak-ng, già incluso: per l'italiano non serve installare altro.
Generare una frase in italiano:
import numpy as np, soundfile as sf
from kokoro import KPipeline
pipe = KPipeline(lang_code="i") # i italiano, a inglese americano, b inglese britannico, j giapponese
audio = np.concatenate([np.asarray(r.audio) for r in pipe("Un barista mantiene le confidenze.", voice="im_nicola")])
sf.write("arthur.wav", audio, 24000)Nel nome di una voce, la prima lettera indica la lingua e la seconda il genere: im_nicola è una voce maschile italiana, bf_emma una voce femminile in inglese britannico. L'elenco completo è nel file ufficiale VOICES.md. Al primo avvio il modello viene scaricato automaticamente da Hugging Face.
Come installare Chatterbox TTS: usa la versione di GitHub, non quella vecchia di PyPI
Questa è stata la trappola più grande in cui sono caduto. Molte guide dicono di lanciare pip install chatterbox-tts, che installa la versione 0.1.7 di PyPI, il cui modello multilingue è il vecchio V2. Gli ho fatto leggere una battuta di Arthur in cinese: l'ha finita in poco più di 3 secondi, poi ha aggiunto più di dieci secondi di pause e rumori strani.
Solo l'ultima versione su GitHub contiene Multilingual V3, Nano e la versione ottimizzata per il cinese, quindi bisogna installare direttamente da GitHub:
mkdir chatterbox && cd chatterbox
uv venv --python 3.11 && source .venv/bin/activate
uv pip install "chatterbox-tts @ git+https://github.com/resemble-ai/chatterbox" "setuptools<81"Il setuptools<81 alla fine non va omesso. Il pacchetto della filigrana Perth usa ancora il vecchio pkg_resources, che le versioni recenti di setuptools hanno rimosso. Se non blocchi la versione, va in errore appena lo avvii.
Clonare una voce con Nano:
import torchaudio
from chatterbox.tts_turbo import ChatterboxTurboTTS
model = ChatterboxTurboTTS.from_pretrained(device="cpu", nano=True)
wav = model.generate("A bartender keeps confidence.", audio_prompt_path="arthur-ref.wav")
torchaudio.save("arthur.wav", wav, model.sr)arthur-ref.wav è la voce di riferimento da clonare. I file della versione ottimizzata per il cinese hanno un formato un po' diverso da quelli del programma principale, quindi bisogna ritoccare il codice che li carica. Questo tipo di lavoretto noioso è perfetto per Claude Code o Codex.
Lascia l'installazione a Claude Code o Codex
Se non vuoi gestire da solo i problemi di versione, apri Claude Code o Codex nel terminale e scrivi:
Installa Kokoro-82M e Chatterbox in ~/tools (Chatterbox all'ultima versione da GitHub, con Nano e Multilingual V3), con PyTorch per CPU, e crea per ciascuno un comando che posso lanciare da qualsiasi cartellaIo li ho installati proprio così. La versione di PyPI troppo vecchia, l'incompatibilità con setuptools e l'errore di caricamento della versione cinese: l'assistente AI ha trovato la causa e ha risolto tutto da solo. Installare in ~/tools ha un vantaggio: tutti i progetti possono usarlo, senza installare una copia per ogni gioco.
Cos'è la clonazione della voce con l'AI? Il metodo gratuito e open source
Clonare una voce (voice cloning) significa dare al modello una registrazione della voce di qualcuno perché legga nuove battute con quel timbro. Con Chatterbox è gratis e semplice: una voce di riferimento più il testo da leggere. La qualità del riferimento determina il risultato:
- Da 5 a 10 secondi: sotto i 5 secondi compare subito un messaggio di errore.
- Una sola persona che parla, senza musica di sottofondo né rumori.
- Un tono adatto al personaggio: il modello impara anche la velocità e l'emozione. Se vuoi che il personaggio parli lentamente e con tono piatto, anche il riferimento deve suonare così.
- Meglio se nella stessa lingua del testo: un riferimento in inglese per un testo in un'altra lingua porta con sé un leggero accento inglese. Per questo caso il produttore consiglia di impostare
cfg_weighta 0 in Chatterbox Multilingual V3.
Conta molto da dove viene la voce. Un modello utilizzabile per scopi commerciali non ti autorizza a copiare la voce di chiunque:
- Registrata da te: nessun problema.
- Registrata da un doppiatore o da un amico: serve il suo consenso prima di usarla nel gioco, meglio se per iscritto.
- Voci di personaggi di film o videogiochi, o di celebrità: no. Anche una semplice somiglianza pone problemi di diritto all'immagine e diritti della personalità.
Io uso anche un altro metodo: prima genero una battuta con Kokoro, che diventa la voce originale del personaggio. Kokoro ha licenza Apache 2.0, quindi le voci che genera si possono usare liberamente. È come «progettare» prima la voce del personaggio e poi lasciare che Chatterbox legga le altre battute aggiungendo emozione.
Prova sul campo: doppiare Arthur, il robot barista
Per la voce inglese di Arthur ho scelto bm_george di Kokoro: il suo accento britannico pacato si addice a un robot maggiordomo molto educato. Ho rallentato la velocità a 0,95.
Nel film Arthur è interpretato da Michael Sheen, ma qui ho scelto di non imitare la sua voce. Il doppiaggio usa una voce integrata di Kokoro, e anche la voce clonata è generata da Kokoro: è proprio per questo che prima insistevo sull'origine della voce.
Tutti gli audio qui sotto escono direttamente dai modelli; ho solo tagliato il silenzio all'inizio e alla fine e uniformato il volume.
Kokoro: le voci integrate così come sono
Chatterbox: clonare la voce di Kokoro
La voce di riferimento è la prima battuta di bm_george qui sopra (circa 6 secondi).
Per confronto, una voce integrata di Chatterbox originale, senza clonazione, con l'intensità dell'emozione abbassata a 0,3:
Qualche osservazione:
- Kokoro dà sempre lo stesso risultato: stessa battuta, stessa voce, ogni generazione è identica, non serve scegliere tra più versioni. Per un effetto diverso cambia voce o velocità.
- Chatterbox dà ogni volta un risultato diverso: con un altro seed la stessa battuta cambia tono e ritmo, quindi conviene generare più versioni e scegliere.
- La clonazione mantiene la voce coerente: con una sola battuta di riferimento, tutte le battute clonate hanno il timbro dello stesso personaggio, senza dover scegliere di nuovo la voce.
- Le versioni clonate parlano più in fretta: a parità di testo, la versione clonata da Nano è più corta del 10-20% rispetto all'originale di Kokoro. Per rallentare, usa come riferimento una registrazione più lenta.
Text to speech in italiano: la prova
Ora le stesse due battute di Arthur tradotte in italiano, lette dai tre modelli che supportano l'italiano:
- Kokoro: la voce maschile
im_nicola. - Chatterbox Multilingual V3: clona la voce inglese
bm_george, concfg_weighta 0. È l'impostazione consigliata dal produttore quando voce di riferimento e testo sono in lingue diverse; evita che emerga l'accento inglese. - Qwen3-TTS 0.6B: la voce integrata Ryan.
Come ho verificato: ogni audio è stato trascritto con Whisper (riconoscimento vocale) e confrontato con il testo originale. In italiano non ho trovato errori di lettura.
Quanto alla velocità, con il modello caricato una sola volta e generazioni in sequenza sullo stesso portatile senza scheda grafica: Chatterbox Multilingual V3 impiega circa 30 secondi per battuta, Qwen3-TTS 0.6B dai 20 ai 30 secondi e Kokoro pochi secondi.
Come si scrive il prompt per una voce AI? Lascialo fare a Claude Code o Codex
Nel TTS si inserisce la battuta stessa, non un prompt che descrive il suono come quando si generano effetti sonori. Però la scelta della voce, la clonazione e il controllo seguono sempre lo stesso procedimento, perfetto da mettere nelle impostazioni globali di un assistente di programmazione AI. Per Claude Code il file è ~/.claude/CLAUDE.md, per Codex ~/.codex/AGENTS.md. Dopo basta dire «doppia queste tre battute di Arthur» e seguirà queste regole:
## Doppiare i personaggi del gioco con il TTS locale
Quando ti chiedo un doppiaggio, usa Kokoro e Chatterbox in locale con queste regole:
- Ogni personaggio ha una voce fissa. Per un nuovo personaggio scegli prima una voce integrata di Kokoro, genera una battuta di 5-10 secondi da salvare come voce di riferimento e da lì clona sempre.
- Le battute senza emozioni né risate vanno direttamente con Kokoro; per emozioni, risate ([laugh], [chuckle]) o per restare identici al riferimento, clona con Chatterbox: Nano o Turbo per l'inglese, Multilingual V3 per le altre lingue (cfg_weight a 0 se il riferimento è in una lingua diversa dal testo).
- Nomi propri, parole straniere e parole con pronuncia che dipende dal contesto vanno ascoltati o controllati con il riconoscimento vocale prima di approvarli.
- Un file per battuta, con nome «personaggio-lingua-numero».
- Con Chatterbox genera ogni battuta con 3 seed diversi ed elenca nomi dei file e battute perché io possa scegliere.
- Dopo la generazione controlla la durata: se l'audio è chiaramente più lungo di quanto dovrebbe durare la battuta, ha detto troppo; cambia seed e rigenera.
- Non clonare voci di persone reali, a meno che io non confermi di avere il loro consenso.
- Per il web o il gioco taglia il silenzio all'inizio e alla fine, aggiungi una breve dissolvenza in uscita, uniforma il volume e converti in mp3.Più espressività: i tag delle risate di Turbo
Chatterbox-Turbo accetta tag direttamente nel testo, per esempio [chuckle] per una risatina, [laugh] per una risata e [cough] per un colpo di tosse:
Can I keep a secret? [chuckle] A bartender keeps confidence. It's the sacred trust of the craft.I limiti del TTS open source
Dopo un giro completo, ecco alcune cose da sapere prima di cominciare:
- Senza scheda grafica serve pazienza: Kokoro e Chatterbox Nano sono veloci, le altre versioni di Chatterbox impiegano uno o due minuti per battuta su CPU.
- L'inglese resta la lingua meglio supportata: Nano e Turbo parlano solo inglese, e nelle altre lingue nomi propri, parole straniere e parole con pronuncia che dipende dal contesto vanno ascoltati prima dell'uso.
- Scegliere la versione giusta: la versione di Chatterbox su PyPI è troppo vecchia e, dato che Chatterbox non è più mantenuto, alcuni problemi non verranno mai risolti.
- L'emozione dipende dal riferimento e dai parametri: il modello non capisce la trama e non sa se una battuta è uno scherzo o uno sfogo di rabbia. Se vuoi una battuta concitata, ti serve un riferimento con quel tono o un'intensità dell'emozione più alta.
- Il risultato va controllato: parole in più, sillabe mangiate o rumori all'inizio possono capitare. Come per gli effetti sonori, puoi chiedere a Claude Code o Codex di avviare un sottoagente (subagent) per un controllo indipendente: trascrivere l'audio con il riconoscimento vocale, confrontarlo con il testo originale e rigenerare se non corrisponde.
Il vantaggio più grande per gli sviluppatori indie: il doppiaggio fin dalle prime fasi
Come per lo strumento per gli effetti sonori dell'articolo precedente, secondo me il valore più grande del TTS open source è che il gioco può avere le voci fin dalle prime fasi dello sviluppo.
All'inizio la sceneggiatura cambia di continuo. Se un doppiatore ha già registrato, ogni modifica al testo significa registrare di nuovo. Con un TTS locale modifichi una battuta, la rigeneri e in una decina di secondi è pronta, senza costi aggiuntivi. Quando la sceneggiatura è definitiva, decidi se farla registrare da doppiatori veri.
A quel punto, la lunghezza delle battute, il tempo di permanenza dei fumetti di dialogo e la durata delle animazioni della bocca o dei gesti sono già calibrati sul doppiaggio. Per passare alle registrazioni reali basta sostituire i file audio con lo stesso nome.
Un altro vantaggio è il supporto multilingue. Il sito della base lunare è in 15 lingue: far registrare 15 lingue da doppiatori non è realistico, ma Kokoro supporta 8 lingue e Chatterbox Multilingual V3 ne supporta 23, italiano compreso, quindi almeno le lingue principali possono avere una voce da subito.
Domande frequenti
Kokoro TTS parla italiano?
Sì. Kokoro supporta 8 lingue, tra cui l'italiano; in questo articolo ho usato la voce maschile im_nicola con lang_code="i". La pronuncia è gestita da espeak-ng, incluso nel pacchetto, quindi non serve installare altro. Kokoro però non clona le voci: se ti serve una voce precisa per un personaggio con il TTS in italiano, usa Chatterbox Multilingual V3.
Chatterbox TTS parla italiano?
Sì, con Multilingual V3, che supporta 23 lingue, italiano compreso; Nano, Turbo e la versione originale parlano solo inglese. Puoi clonare una voce di riferimento inglese e farle leggere testo italiano, impostando cfg_weight a 0 come consiglia il produttore per evitare l'accento inglese. Attenzione: la vecchia versione su PyPI aggiunge suoni a fine frase, quindi installalo da GitHub.
La clonazione della voce gratuita si può usare per scopi commerciali?
Chatterbox ha licenza MIT, quindi il modello è utilizzabile per scopi commerciali; però devi anche avere il diritto di usare la voce clonata: la tua, quella di una persona che ha dato il consenso oppure, come in questo articolo, una voce generata con Kokoro. Inoltre ogni audio generato contiene la filigrana Perth.
Esiste un'alternativa gratuita a ElevenLabs?
Per le battute di un gioco, la narrazione o il doppiaggio di video tutorial, Kokoro e Chatterbox sono alternative open source gratuite, utilizzabili per scopi commerciali e che girano sul tuo computer. La qualità audio e l'espressività non sono ancora al livello di ElevenLabs, ma non paghi per caratteri e non devi temere aumenti di prezzo o la chiusura del servizio.
Si può usare un TTS open source senza scheda grafica?
Sì. Sulla CPU di un portatile, Kokoro e Chatterbox Nano generano una battuta in una decina di secondi; le versioni di Chatterbox da 500 milioni di parametri impiegano uno o due minuti per battuta, quindi conviene farle lavorare a blocchi in background.
Conclusione: basta un portatile per dare voce ai personaggi di un gioco
Pensavo che il doppiaggio fosse la parte più costosa di un gioco indie: i doppiatori costano, i TTS in cloud si pagano a caratteri e, quando le battute sono tante, il conto sale in fretta. Kokoro e Chatterbox riducono i requisiti a «un portatile, una battuta, una decina di secondi», con uso commerciale consentito e i modelli salvati sul tuo computer, senza paura che il servizio chiuda.
Il prossimo passo è inserire le voci di Arthur nel gioco, perché parli davvero quando compare il suo fumetto di dialogo.
Questo articolo è una panoramica sul TTS open source; seguiranno articoli dedicati a Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX e VoiceStudio, con installazione, parametri e altri test.
E tu, come doppi i personaggi dei tuoi giochi? Scrivimi su Threads o su X e lascia un commento sotto un mio post, ne parliamo.


