Vai al contenuto principale
Casi d’usoPrincipiante6 min di lettura

Ollama voice: la sintesi vocale locale, dalla riga di comando all'API OpenAI

i
iaLocale Team
•
Ollama voice: la sintesi vocale locale, dalla riga di comando all'API OpenAI

La sintesi vocale non è più un esperimento da mettere in fila dietro al modello: è un comando. ollama run phonon "Ciao, questa è la mia IA locale" genera audio parlato in locale, senza cloud, senza API key, e da oggi può parlare mentre il modello risponde — frase per frase, prima ancora che la risposta finisca. È il passo in cui la tua IA smette di essere solo un campo di testo e inizia a esistere nel mondo: come un'auto che non guardi solo sul cruscotto, ma senti davvero in garage, accesa e pronta.

Come funziona: una riga, e la voce parte

Il primo modello voice di Ollama è Phonon, la famiglia di TTS compatti di Gradium. L'installazione è due righe:

ollama pull phonon
ollama run phonon "Ciao da Ollama."

A quel punto l'audio inizia a uscire. La voce si sceglie con --voice:

ollama run phonon --voice Hadley "Ciao da Ollama."

Le voci disponibili le vedi tutte con ollama show phonon. Due comandi, zero configurazione, e il WAV esce dalla console: se vuoi salvarlo, ollama run phonon "Testo" > voce.wav basta.

Per chi vuole un'interfaccia, i reply di qualsiasi modello chat possono essere passati a Phonon a pipe, e qui c'è il dettaglio che cambia l'esperienza: il testo viene letto mentre arriva. La prima frase viene letta non quando il modello finisce di rispondere, ma quando la prima frase è pronta.

ollama run gemma4 "Raccontami un fatto curioso sui gufi in due frasi." | ollama run phonon

I numeri: quanto è veloce, quanto pesa

Su Apple Silicon Ollama accelera Phonon con MLX, il framework di machine learning di Apple. Il numero che conta è questo: su un MacBook Pro M5 Max, Ollama è stata il 35% più veloce del runtime di riferimento di Gradium stesso, l'engine del vendor — e la qualità non ne risente: il word error rate coincide con quello dell'implementazione di riferimento su Hugging Face Transformers.

La famiglia di modelli:

ModelloLingueLicenza
phononingleseApache 2.0
phonon:40m-frfranceseCC BY-NC 4.0
phonon:40m-detedescoCC BY-NC 4.0
phonon:40m-esspagnoloCC BY-NC 4.0
phonon:40m-ptportogheseCC BY-NC 4.0
phonon:40m-multilingualtutte e cinqueCC BY-NC 4.0

"Compatti" non è marketing: la variante multilingue è un GGUF di poco più di 60 MB (q4k), un modello che sta in tasca a qualsiasi Mac. L'audio esce a 24 kHz mono, WAV di default, oppure sample raw 16-bit se chiedi "response_format": "pcm".

Dall'endpoint OpenAI-compatibile al tuo codice

Per chi costruisce, Phonon è già integrata dove il codice si aspetta di trovare la voce: l'endpoint /v1/audio/speech, quello dell'API OpenAI. Esistente codice con il SDK OpenAI cambia solo l'URL base:

curl http://localhost:11434/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{"model": "phonon", "voice": "Zoey", "input": "Ciao"}' \
  --output voce.wav

In Python sono poche righe, con lo streaming incluso: il client apre la risposta e salva il file mentre l'audio viene generato, così l'applicazione può iniziare a riprodurlo subito. In Node.js è la stessa storia. E per la riproduzione in console c'è la coppia che non invecchia:

curl -sN http://localhost:11434/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{"model": "phonon", "input": "La riproduzione parte subito."}' \
  | ffplay -nodisp -autoexit -loglevel error -

Tre modi di usare la stessa voce — riga di comando, pipe, API — e nessuna di queste tocca la rete: testo e audio restano sulla macchina.

E i limiti?

Tre, e vanno detti prima di tutto il resto.

L'italiano non c'è ancora. Le lingue sono inglese, francese, tedesco, spagnolo e portoghese. Chi vuole la voce in italiano oggi si affida ai TTS già in catalogo, tipo MagpieTTS di NVIDIA; la notizia da tenere d'occhio è che la famiglia Phonon è nata per essere multilingue di default, quindi un tag 40m-it è la mossa più probabile, non un miracolo.

Solo macOS, per ora. Windows e Linux sono annunciati ma non ancora disponibili. Su Mac funziona con Ollama 0.40.11 o superiore; prima di tutto il resto, ollama -v.

Attenzione alle licenze. Il modello principale in inglese è Apache 2.0, ma le varianti da 40M — quelle multilingue — sono CC BY-NC 4.0: uso non commerciale. Se il caso d'uso è in azienda, il modello da usare oggi è phonon in inglese; le lingue a 40M sono la scelta giusta per l'uso personale.

E un ultimo limite di formato: 24 kHz mono è un'ascolto solido per un assistente o una sintesi di contenuti, non un audio da studio. Chi cerca il top di naturalità resta sul campo dei modelli TTS più grandi, ma non si può avere tutto: velocità, compattezza e qualità studio, su un portatile, non sta nello stesso pacchetto.

Passi per iniziare

1. Aggiorna Ollama. ollama -v deve mostrare 0.40.11 o superiore; se è vecchia, scarica la versione nuova dal sito di Ollama. Se non va: dopo l'aggiornamento, ollama pull phonon deve scaricare; un errore 404 sul pull vuol dire che la versione è ancora troppo vecchia.

2. Prima voce. ollama run phonon "Se senti questa voce, la sintesi vocale locale funziona.". Ascolti un WAV: la shell non deve mostrare nulla, il suono arriva da solo. Se non va: verifica l'uscita audio del sistema — il file è lì, la shell non lo riproduce per te.

3. Scegli la lingua. Per l'inglese è phonon; per francese, tedesco, spagnolo e portoghese usa i tag 40m-fr, 40m-de, 40m-es, 40m-pt, o phonon:40m-multilingual per coprirle tutte. Se non va: ollama show phonon elenca i tag e le voci effettivamente disponibili sulla tua installazione.

4. Fallo parlare mentre risponde. La pipe: ollama run gemma4 "Due frasi sulle API." | ollama run phonon. La prima frase inizia a suonare prima che la risposta sia completa.

5. Interalo nel codice. Punta l'endpoint OpenAI su http://localhost:11434/v1 con api_key: "ollama" e chiami audio.speech con model: "phonon". Se il progetto è in Python o Node, gli esempi qui sopra sono copiable così come stanno.

Fonti

In sintesi

Ollama genera ora voce in locale con Phonon: un comando per partire, un endpoint OpenAI-compatibile per integrarlo, e la lettura in streaming della risposta di qualsiasi modello chat. Su Apple Silicon è il 35% più veloce del runtime di riferimento del vendor, con la stessa accuratezza. Le varianti multilingue da 40M coprono francese, tedesco, spagnolo e portoghese (uso non commerciale); l'inglese è Apache 2.0. L'italiano, Windows e Linux arriveranno; per l'audio di oggi, la voce locale è già dentro la tua riga di comando.

Articolo generato con IA

In questi percorsi

Condividi:

Ti è piaciuto questo articolo?

Iscriviti alla newsletter per ricevere nuovi tutorial e guide.

Dopo l'iscrizione ricevi una email di conferma (double opt-in). Senza conferma non inviamo nulla. Nessuno spam, ti promettiamo.

Articoli Correlati