---
title: "Cos’è il text-to-speech (TTS)? Come funzionano le API vocali"
description: "Il text-to-speech trasforma il testo in audio parlato. Come funzionano le API TTS, cosa controlla SSML, i formati di output e perché BroadNet non offre il TTS."
url: https://broadrouter.com/it/glossary/text-to-speech/
lang: it
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/text-to-speech/) (aggiornato il 2026-11-15).

# Text-to-speech (TTS, sintesi vocale)

Aggiornato 2026-11-15

Il text-to-speech (TTS), o sintesi vocale, converte il testo scritto in audio parlato. Un’API TTS riceve un testo, una voce e un formato di output come MP3 o WAV, e restituisce il parlato generato. È l’opposto dello speech-to-text, che trasforma l’audio in testo.

Detto anche: sintesi vocale, da testo a voce, lettura vocale, voce sintetica, TTS, text to speech, speech synthesis

Lo speech-to-text ascolta. Il text-to-speech risponde a voce. Gli assistenti vocali hanno bisogno di entrambi.

## Come funziona

Un’API TTS riceve tre cose: il testo, una voce e un formato audio. Questa è la forma dell’esempio Python nella guida di OpenAI:

```python
from openai import OpenAI
client = OpenAI()
with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="coral",
    input="Today is a wonderful day to build something people love!",
    instructions="Speak in a cheerful and positive tone.",
) as response:
    response.stream_to_file("speech.mp3")
```

La guida documenta l’endpoint `/v1/audio/speech`, 13 voci predefinite e i formati di output MP3 (predefinito), Opus, AAC, FLAC, WAV e PCM, dove PCM sono campioni grezzi a 24 kHz e 16 bit senza intestazione. Supporta lo streaming con chunked transfer encoding, quindi la riproduzione può iniziare prima che il file sia completo, e consiglia WAV o PCM per le risposte più rapide. La guida indica inoltre `tts-1`, `tts-1-hd` e `gpt-4o-mini-tts` come deprecati, con dismissione il 6 gennaio 2027. Controlla l’elenco aggiornato dei modelli prima di costruire su uno di essi.

Molti motori accettano anche SSML, il markup XML del W3C per la sintesi. L’elemento radice `<speak>` dichiara `version="1.1"` e `xml:lang`. Tra gli altri elementi ci sono `<break>` per le pause, `<say-as>` per indicare date o numeri, `<phoneme>` per una pronuncia esatta (per esempio in IPA) e `<lang>` per una frase in un’altra lingua:

```xml
<speak version="1.1" xml:lang="en-US">
  Pasta should be cooked <lang xml:lang="it">al dente</lang>.
  <break/> Enjoy your meal.
</speak>
```

## Perché è importante

-   **I prodotti vocali sono pipeline.** Un voice bot è [speech-to-text](https://broadrouter.com/it/glossary/speech-to-text/), poi un modello di chat, poi TTS. Ogni passaggio aggiunge [latenza](https://broadrouter.com/it/glossary/latency/) e costo, e ognuno può essere un provider diverso.
-   **Scelta del formato.** Il formato di output decide dimensione e compatibilità di riproduzione. WhatsApp, per esempio, riproduce i vocali in [Ogg Opus](https://broadrouter.com/it/glossary/ogg-opus/).
-   **Trasparenza.** OpenAI richiede di informare gli utenti finali che una voce TTS è generata dall’AI.

## Su BroadNet Inference

BroadNet non offre il text-to-speech. Il suo riferimento API documenta solo `POST /v1/chat/completions` e `POST /v1/audio/transcriptions`. Offre la direzione opposta: [BroadNet Transcribe Arabic](https://broadrouter.com/it/models/cohere-transcribe-arabic/) e [BroadNet Transcribe](https://broadrouter.com/it/models/cohere-transcribe/) trasformano audio WAV o MP3 in testo, a $0.0042 e $0.002 al minuto. BroadNet non offre nemmeno voce dal vivo o in tempo reale.

Se il tuo prodotto deve parlare, abbina la trascrizione e la chat di BroadNet a un provider TTS separato. [Testo, voce e visione](https://broadrouter.com/it/blog/text-speech-vision/) mostra quali compiti copre BroadNet e dove ti serve un altro servizio, e l’articolo sull’[architettura di un chatbot WhatsApp](https://broadrouter.com/it/blog/arabic-whatsapp-chatbot-architecture/) mostra il lato dei vocali della pipeline.

## Errori comuni

-   **Confondere TTS e STT.** Le API speech-to-text non generano audio. Controlla l’elenco degli endpoint, non solo la parola «speech».
-   **Dare per scontato che SSML funzioni ovunque.** Molte API accettano solo testo semplice o un sottoinsieme di SSML.

## Domande frequenti

### BroadNet Inference offre il text-to-speech?

No. BroadNet documenta due endpoint, chat completions e trascrizione audio. Non esiste /v1/audio/speech. Usa un provider TTS separato se la tua app deve parlare.

### Cos’è SSML?

Speech Synthesis Markup Language, una Recommendation del W3C (versione 1.1, 2010). È un XML che controlla pronuncia, pause, tono, velocità e cambi di lingua nel parlato sintetizzato. Il supporto varia da un provider TTS all’altro.

### Devo dire agli utenti che una voce è generata dall’AI?

Le policy di utilizzo di OpenAI, citate nella sua guida al TTS, richiedono di indicare chiaramente che la voce è generata dall’AI. Verifica i termini del tuo provider e la legge locale.

## Vedi anche

-   [Speech-to-text (riconoscimento vocale)](https://broadrouter.com/it/glossary/speech-to-text/) (termine)
-   [AI multimodale (multimodal AI)](https://broadrouter.com/it/glossary/multimodal/) (termine)
-   [Ogg Opus](https://broadrouter.com/it/glossary/ogg-opus/) (termine)
-   [WAV (file audio WAV)](https://broadrouter.com/it/glossary/wav/) (termine)
-   [Streaming](https://broadrouter.com/it/glossary/streaming/) (termine)
-   [Testo, voce o vision? Parti dal compito](https://broadrouter.com/it/blog/text-speech-vision/) (articolo)
-   [Architettura di un chatbot WhatsApp in arabo: dai vocali alle risposte](https://broadrouter.com/it/blog/arabic-whatsapp-chatbot-architecture/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

[Inizia](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-text-to-speech&utm_content=page-cta) ·

**Fonti**

-   [Documentazione dell’API OpenAI, guida al text-to-speech: /v1/audio/speech, voci, formati di output, regola di trasparenza (verificata il 2026-11-15)](https://developers.openai.com/api/docs/guides/text-to-speech)
-   [W3C, Speech Synthesis Markup Language (SSML) Version 1.1, Recommendation (verificato il 2026-11-15)](https://www.w3.org/TR/speech-synthesis11/)
-   [Riferimento API di BroadNet Inference: endpoint chat completions e trascrizione audio (verificato il 2026-11-15) (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-text-to-speech&utm_content=sources)
