Cos'è la prosodia e come modella la lingua parlata?

La prosodia è il ritmo, l'accento e l'intonazione del parlato: gli schemi che danno alle nostre parole un significato che va oltre le loro definizioni letterali. L'altezza della voce, la velocità con cui parliamo e il modo in cui accentiamo le parole contribuiscono tutti a come il linguaggio viene comunicato e compreso.

In passato utilizzata solo per descrivere il parlato umano, la prosodia sta diventando altrettanto rilevante per gli strumenti di voce IA creati per generarla. Ha un ruolo fondamentale nel determinare se l'IA sembra umana, perché non basta avere le parole giuste nell'ordine giusto: servono anche le piccole inflessioni che trasmettono significato. Questo è particolarmente vero in contesti come il servizio clienti o la narrazione audio, dove una parola pronunciata nel modo sbagliato può compromettere l'intero messaggio.

Questo articolo definisce la prosodia, ne fornisce esempi e ne illustra l'importanza nei modelli di Text to Speech (TTS), per aiutarti a capire cosa serve per far suonare e sembrare l'IA più umana.

In sintesi

• Nella lettura, la prosodia riflette la comprensione di un testo da parte del lettore e aiuta a sviluppare la fluidità.
• La prosodia permette ai modelli Text to Speech di trasformare testo semplice in audio naturale, dal suono umano.
• Puoi aggiungere prosodia alle voci IA con strumenti come la selezione della voce, gli audio tag e la punteggiatura.

Cos'è la prosodia?

La prosodia si riferisce agli schemi di altezza, ritmo e enfasi del parlato. Include il modo in cui qualcosa suona (come i fonemi) e la componente emotiva dietro le parole, ad esempio se stai formulando un comando, una domanda o un'affermazione, oppure se sei sarcastico. 

Quando valutiamo la prosodia, in genere consideriamo tre elementi:

• Ritmo: il modo in cui i tempi e la velocità del parlato creano schemi.
• Intonazione: il modo in cui l'altezza della voce sale e scende nell'arco di una frase.
• Accento: il modo in cui parole o sillabe specifiche vengono enfatizzate attraverso altezza, volume o durata.

La capacità di controllare questi tre elementi è ciò che distingue un parlato ====--ic da una resa che comunica un significato oltre le parole stesse. 

Capire la prosodia nel parlato: ritmo, intonazione e accento

Anche se possono sembrare semplici, ritmo, intonazione e accento richiedono molto per trasmettere le emozioni dietro le nostre parole. 

Vediamo più da vicino come questi tre elementi fondamentali influenzano il parlato. 

Ritmo

Il ritmo definisce le pause, la cadenza e i tempi che danno struttura al parlato. Le lingue romanze come il francese e lo spagnolo tendono a dedicare lo stesso tempo a ogni sillaba, mentre l'inglese e il tedesco presentano maggiori variazioni nei tempi e nella velocità delle parole.

Il ritmo può anche cambiare l'effetto di una frase. Dire lentamente e in modo uniforme «Stiamo arrivando» fa suonare la frase rassicurante. Se la si dice velocemente, le stesse parole sembrano più ravvicinate e creano un senso di urgenza.

Intonazione

L'intonazione si riferisce al modo in cui l'altezza della voce sale e scende. Spesso è ciò che distingue una domanda da un'affermazione.

Prendi questa frase: «Jim ha vinto la partita». Se termina con un punto, «partita» viene pronunciata con la stessa altezza delle altre parole. Per indicare invece che è una domanda («Jim ha vinto la partita?»), l'altezza della voce salirebbe alla fine.

Può anche esprimere emozioni. Un «Ciao!» entusiasta avrà un'intonazione diversa da un «Ciao» deluso o disinteressato.

Accento

L'accento si riferisce al modo in cui viene enfatizzata una parola o una sua parte.

La parola inglese «object», per esempio, ha due significati. Con l'accento sulla prima metà («OB-ject»), chi parla si riferisce al sostantivo. Accentando invece la seconda metà («ob-JECT»), diventa un verbo.

In una frase, l'accento porta l'attenzione su una parola. Enfatizzare «io» in «Io ho visto Jim alla partita» comunica all'ascoltatore che è importante sapere chi ha visto Jim alla partita. Al contrario, enfatizzare «partita» indica all'ascoltatore dove hanno visto Jim.

In che modo la prosodia influisce sulla lettura?

Nella lettura, la prosodia fornisce contesto alle parole. Pensa a quando leggi una storia ad alta voce a un bambino: senza usare voci e toni diversi, il bambino farebbe più fatica a capire cosa prova un personaggio o cosa esprime una scena.

La prosodia è anche un indicatore affidabile della fluidità di lettura. Le persone che parlano fluentemente una lingua sanno prendere parole scritte e aggiungere enfasi prosodica, dimostrando di cogliere non solo il significato delle parole, ma anche quello implicito che non è scritto sulla pagina.

Nel complesso, la prosodia migliora l'alfabetizzazione e la fluidità linguistica fornendo contesto a parole e frasi, e riduce le incomprensioni collegando il significato delle parole al pubblico o allo scenario in cui vengono pronunciate.

Perché la prosodia è importante per i modelli Text to Speech?

Le parole che un modello Text to Speech trasforma in audio, estratte da uno script o generate da un LLM, inizialmente sono semplice testo. Possono essere esattamente quelle giuste, ma il testo da solo non trasmette tono, enfasi o emozione. 

Pensa a un classico bot IVR che ti dice: «Mi dispiace. Non ho capito». In genere questa frase viene pronunciata con una prosodia piatta, quindi la maggior parte degli ascoltatori non percepirà che il bot sia davvero dispiaciuto per il disagio causato.

Confronta questo scenario con un agente vocale IA usato per gestire un cliente frustrato a cui è stato cancellato il volo.

La risposta sembra umana quando l'agente IA dice: «Capisco, e mi dispiace davvero», perché non ha un tono monocorde. Include un leggero gemito, una pausa all'inizio e un tono basso, tutti elementi che comunicano le scuse tanto quanto le parole. 

Gestendo correttamente questi elementi prosodici, l'agente può stemperare un momento di tensione invece di aumentare la frustrazione.

I modelli Text to Speech alimentano molto più degli agenti IA. Sono anche alla base degli strumenti di ElevenCreative per voci fuori campo, narrazione e contenuti di marketing. Una voce IA che usa correttamente la prosodia può aiutarti a:

• Voci fuori campo: crea annunci, video esplicativi e contenuti social davvero coinvolgenti.
• Audiolibri: narra con la giusta sfumatura emotiva, così che la paura, la gioia o il sarcasmo di un personaggio emergano come li esprimerebbe un narratore umano.
• Localizzazione: preserva l'intento emotivo del contenuto originale in tutte le lingue.
• Marketing e messaggi del brand: mantieni il tono giusto nell'audio, evitando una resa solenne quando dovrebbe essere vivace, o viceversa.

La prosodia rende possibile tutto questo. Vediamo ora come i modelli Text to Speech la producono concretamente.

Come i modelli TTS generano la prosodia

Gli odierni modelli neurali Text to Speech (TTS neurale) generano la prosodia attraverso modelli di deep learning addestrati sul parlato umano reale. Anziché seguire regole fonetiche scritte manualmente, il modello apprende la relazione tra il testo e il modo in cui suona davvero quando viene pronunciato ad alta voce. 

Questo processo di addestramento consente al modello TTS di prevedere tre caratteristiche in un enunciato:

• Altezza: quanto alta o bassa deve essere la voce, producendo l'intonazione.
• Durata: quanto deve durare ogni suono o pausa, producendo il ritmo.
• Energia: quanto forte o piano deve essere un momento, producendo accento ed enfasi.

Per esempio, un modello addestrato su migliaia di ore di parlato umano avrà ascoltato innumerevoli domande che esprimono incredulità, come «Aspetta, hai fatto cosa?», pronunciate con un brusco aumento dell'altezza e un picco di energia sull'ultima parola. Impara questo schema attraverso l'esposizione ripetuta e applica la stessa resa quando incontra di nuovo una frase che esprime lo stesso tipo di incredulità.

Tuttavia, la quantità di contesto a cui un modello può attingere per generare quella resa dipende anche dall'architettura che effettua la previsione.

I modelli TTS più vecchi funzionavano tramite una pipeline, elaborando il testo una frase alla volta e passando le previsioni tra reti separate prima di produrre l'audio. I modelli più recenti basati su transformer condensano quella pipeline in un unico processo end-to-end. 

Anziché leggere una frase isolatamente, il modello legge prima l'intero passaggio e usa poi questo contesto più ampio per decidere come debba suonare una battuta. Le stesse parole possono risultare una battuta finale o qualcosa di molto più grave, a seconda di ciò che le circonda.

Modelli come Eleven v3 leggono l'intero passaggio prima di generare l'audio, così da garantire che la resa rifletta il contesto del testo circostante.

Come gli utenti controllano la prosodia nel TTS

Gli utenti possono controllare la prosodia nel TTS scegliendo voci IA uniche e inserendo tag emotivi negli script. ElevenCreative, per esempio, ti offre accesso alla Voice Library, dove puoi scegliere tra oltre 10.000 voci per trovare quella con il ritmo e l'intonazione naturali che cerchi.

Eleven v3, il nostro modello TTS più espressivo, ti offre anche l'opzione di aggiungere audio tag al testo tramite parentesi quadre, per indicare al modello uno specifico elemento prosodico da rendere. Potresti voler inserire una risata tra le frasi per esprimere umorismo, leggerezza, malizia o sarcasmo, oppure fare in modo che il modello vocale sussurri o gridi una parola per enfatizzarla. Anche la punteggiatura può creare pause, interruzioni, esclamazioni, domande o elementi vocali lasciati in sospeso.

Ecco come potrebbe apparire:

• “[laughing] Odio nuotare.”
• “[surprised] Non posso credere che l'abbia fatto! Sono sconvolto… e colpito.”
• “[annoyed] Non farlo!"

Vediamoli in azione:

Insieme, questi strumenti ti permettono di controllare la prosodia senza competenze di linguistica o produzione audio. Chiunque può modellare il suono di una voce IA: basta scegliere una voce, aggiungere un tag o modificare la punteggiatura.

Rendi più espressive le voci IA con ElevenCreative

Che tu gestisca annunci, pubblichi sui social media o crei video, vuoi che sembrino realizzati e doppiati da una persona reale. 

ElevenCreative ti consente di generare audio e immagini su larga scala in pochi minuti. La sua piattaforma nativa IA può trasformare il testo scritto in parlato dal suono umano, adatto al contesto, all'emozione e all'intento di chi parla. E con oltre 70 lingue disponibili in Eleven v3, oltre a una vasta libreria di voci, puoi essere certo di usare il tono giusto con il tuo pubblico.

Scopri di più sul TTS su ElevenCreative o registrati per iniziare e scoprire come una voce IA con prosodia naturale può trasformare i tuoi contenuti.

Domande frequenti sulla prosodia