La seconda parte dell’analisi del white paper della Buchmesse e DosDoce spiega come l’AI cambia produzione, costi e workflow degli audiolibri.

La seconda parte della nostra analisi di WHO IS NARRATING THE FUTURE? AI adoption, use and outlook in audio production, il white paper realizzato dalla Frankfurter Buchmesse in collaborazione con DosDoce, entra nella fase operativa della produzione audio (la prima parte della nostra analisi è disponibile qui, mentre il testo integrale del white paper è disponibile qui).

Il rapporto propone sei passaggi produttivi, introduce un modello a tre velocità per organizzare i cataloghi e ridimensiona alcune promesse legate ai risparmi generati dall’intelligenza artificiale.

Nella prima parte della nostra analisi di WHO IS NARRATING THE FUTURE? AI adoption, use and outlook in audio production abbiamo osservato come l’intelligenza artificiale stia modificando il mercato dell’audio editoriale e quali strumenti vengano già utilizzati dalle aziende.

La seconda sezione del white paper realizzato dalla Frankfurter Buchmesse in collaborazione con DosDoce affronta una questione ancora più concreta: come può un editore integrare l’intelligenza artificiale nella produzione di audiolibri mantenendo qualità editoriale, controllo dei costi e sostenibilità economica?

Gli autori propongono un metodo articolato in sei fasi, dalla strategia iniziale al controllo qualità, e introducono un modello organizzativo particolarmente interessante per gli editori: il three-speed model, un sistema che assegna ogni titolo a una diversa modalità produttiva sulla base del valore commerciale e delle esigenze interpretative.

Il punto più interessante riguarda il ruolo dell’intervento umano. L’intelligenza artificiale assume una parte crescente delle attività tecniche e ripetitive, mentre editor, produttori, registi e narratori concentrano il proprio lavoro sulle decisioni che richiedono esperienza, sensibilità e giudizio editoriale.

La preparazione del testo è fondamentale

La seconda fase riguarda la pre-produzione e rappresenta uno dei passaggi più importanti dell’intero processo. Un libro nasce per essere letto. Un audiolibro deve essere ascoltato.

Tabelle, note, immagini, elenchi, abbreviazioni, numeri e riferimenti grafici richiedono quindi un adattamento specifico. Il team editoriale deve trasformare questi elementi in informazioni comprensibili attraverso l’ascolto.

A questo primo livello se ne aggiunge un secondo: la preparazione del testo per la performance vocale.

Un sintetizzatore necessita di istruzioni precise per gestire pronunce, pause, acronimi, numeri, nomi propri e ritmo della frase. La punteggiatura assume quindi una funzione ulteriore e diventa uno strumento capace di guidare la voce sintetica.

Il workflow indicato dal white paper comprende:

• analisi della complessità del testo;
• estrazione e pulizia;
• adattamento degli elementi grafici;
• verifica editoriale;
• preparazione della guida di pronuncia;
• normalizzazione di numeri e acronimi;
• creazione dei tag necessari al sintetizzatore vocale.

Alla fine di questa fase l’editore dispone idealmente di due versioni del testo: un copione destinato all’eventuale narratore umano e una versione normalizzata destinata al sistema di sintesi vocale.

La guida di pronuncia acquisisce inoltre un valore ulteriore. Una casa editrice può conservarla e riutilizzarla per altri titoli dello stesso autore, della stessa serie o dello stesso universo narrativo, trasformandola progressivamente in un vero asset editoriale.

Come scegliere una voce sintetica

La terza fase riguarda la performance. Il white paper propone un protocollo in quattro passaggi per la scelta della voce.

La casa editrice seleziona innanzitutto alcuni estratti rappresentativi del libro: passaggi narrativi, dialoghi, parti particolarmente complesse e sezioni caratterizzate da differenti registri emotivi. Gli stessi brani vengono poi generati utilizzando diverse piattaforme e impostazioni equivalenti.

A questo punto il team organizza una blind listening session, una sessione di ascolto nella quale i partecipanti valutano le voci senza conoscere il sistema che le ha generate.

Tra i criteri figurano:

• naturalezza;
• fluidità;
• correttezza delle pronunce;
• capacità di sostenere ascolti prolungati;
• coerenza con il genere e con il tono dell’opera.

L’ultimo passaggio consiste nella documentazione della scelta. L’azienda conserva così una traccia delle motivazioni editoriali che hanno determinato l’utilizzo di una determinata voce.

Anche la scelta dell’infrastruttura segue criteri precisi. Cloud, sistemi locali e soluzioni ibride vengono valutati sulla base della riservatezza del manoscritto, della struttura dei costi, della stabilità della connessione e della qualità delle lingue e degli accenti disponibili.

Un’attenzione particolare riguarda la clonazione vocale. Consenso documentato dell’interprete, gestione dei diritti e trasparenza verso l’ascoltatore diventano elementi essenziali del processo.

Musica, effetti sonori e diritti

La quarta fase riguarda musica, sound design ed effetti. Il produttore deve stabilire quali elementi sonori servano realmente al progetto: sigle, ambientazioni, effetti o interventi musicali.

Con l’arrivo dei generatori musicali basati sull’intelligenza artificiale, il rapporto attribuisce un peso particolare alla provenienza dei dati utilizzati per addestrare i modelli e alle condizioni di licenza.

Per un editore la valutazione di una piattaforma deve quindi comprendere qualità dell’output, diritti di utilizzo, privacy, possibilità di controllo creativo, formati disponibili e stabilità del fornitore.

La qualità estetica costituisce una parte della valutazione complessiva. La solidità giuridica e commerciale assume lo stesso peso.

Il controllo qualità continua a richiedere tempo

Uno degli elementi più significativi del white paper riguarda il quality control. L’automazione accelera molte operazioni, mentre il controllo dell’audio continua a rappresentare una componente rilevante del costo complessivo.

Il rapporto calcola che un passaggio completo di controllo richieda circa 1,2 volte la durata dell’audiolibro. Un audiolibro di dieci ore richiede quindi circa dodici ore di lavoro per ogni revisione completa.

Il modello proposto prevede due passaggi distinti. Il primo confronta audio e testo e verifica pronunce, omissioni, ripetizioni, intonazione e fedeltà al copione. Il secondo analizza la qualità tecnica e individua click, rumori, respiri problematici, artefatti e anomalie generate dal sintetizzatore.

Piattaforme specializzate come Pozotron possono automatizzare una parte dell’allineamento tra testo e audio e segnalare le possibili discrepanze. Il professionista verifica poi ogni segnalazione e decide l’intervento più appropriato.

Il rapporto suggerisce inoltre di separare rilevamento e correzione. Il revisore registra prima tutti i problemi in un log strutturato; successivamente il team procede con gli interventi.

Questo sistema riduce le interruzioni e permette di misurare con maggiore precisione la qualità delle diverse piattaforme.

Il modello a tre velocità

La parte probabilmente più interessante del white paper riguarda il three-speed model. Gli autori propongono agli editori di superare una gestione uniforme del catalogo e di organizzare la produzione audio attraverso tre livelli produttivi differenti.

Prima velocità: produzione umana premium

La prima categoria comprende bestseller, novità di punta, opere letterarie di particolare valore e testi caratterizzati da una forte complessità interpretativa. In questi casi narratori, attori e registi mantengono il ruolo principale.

L’investimento economico più elevato trova una giustificazione nel valore commerciale o editoriale del titolo e nella necessità di una performance capace di interpretare sfumature, personaggi e registri narrativi complessi.

Seconda velocità: produzione ibrida

La seconda categoria combina professionisti e intelligenza artificiale. Secondo il white paper, questa modalità potrebbe diventare progressivamente lo standard per una parte significativa della produzione.

L’intelligenza artificiale gestisce attività come preparazione del testo, prima sintesi, analisi preliminare e supporto al controllo qualità. Narratore, regista e curatore editoriale concentrano il proprio lavoro sulla performance e sulle decisioni editoriali.

Il risultato è un processo nel quale la tecnologia riduce il tempo dedicato alle attività ripetitive e permette ai professionisti di concentrarsi sulle fasi a maggiore valore aggiunto.

Terza velocità: produzione tramite intelligenza artificiale

La terza categoria riguarda soprattutto backlist, testi accademici, pubblicazioni professionali, saggistica specialistica e titoli di nicchia.

Per questi libri la produzione tradizionale presenta spesso costi superiori alle prospettive di ricavo. La sintesi vocale permette di creare una nuova edizione audio e di sfruttare economicamente titoli già presenti nel catalogo.

Il team umano continua a occuparsi della preparazione, della supervisione e del controllo dell’output. Questa terza fascia può inoltre generare ricavi capaci di sostenere gli investimenti destinati alle produzioni premium e ibride.

Come decidere il modello produttivo di ogni audiolibro

L’editore assegna ogni titolo a una delle tre velocità attraverso l’incrocio di valore commerciale e complessità interpretativa. Il rapporto aggiunge tre filtri decisivi:

• Diritti e consenso. Contratti con autori, agenti e narratori devono consentire l’utilizzo previsto delle tecnologie.
• Lingua e accento. La qualità dei sintetizzatori varia ancora in maniera significativa tra lingue, mercati e varianti regionali.
• Budget e tempi. Ogni progetto deve essere valutato sulla base dei costi complessivi, includendo preparazione e controllo qualità.

Per applicare il modello a un catalogo ampio, il white paper suggerisce inoltre la creazione di checklist, librerie di asset riutilizzabili e dashboard di produzione.

Guide di pronuncia, profili vocali, modelli SSML e procedure di controllo diventano così parte dell’infrastruttura editoriale dell’azienda.

ElevenLabs, ChatGPT, Claude e Pozotron: l’ecosistema della produzione audio

Il rapporto fotografa anche gli strumenti attualmente utilizzati dagli operatori intervistati.

• ElevenLabs emerge come una delle piattaforme più citate per sintesi e clonazione vocale.
• Pozotron viene utilizzato soprattutto nel controllo qualità e nell’allineamento tra testo e audio.
• ChatGPT e Claude trovano spazio nella preparazione dei manoscritti, nell’adattamento dei testi, nella creazione delle guide di pronuncia e nelle attività editoriali preliminari.

L’ecosistema comprende inoltre DeepL per traduzione e localizzazione, Whisper per trascrizione ed elaborazione audio, iZotope RX per pulizia e post-produzione e infrastrutture come Google Vertex AI e Microsoft Azure.

Tra gli strumenti citati compaiono anche Suno AI, Adobe Firefly, Murf, Zedoc AI, Shimmr AI, Gemini e Copilot.

Il dato relativo all’infrastruttura mostra un mercato fortemente orientato verso soluzioni esterne: il 67% delle aziende utilizza strumenti di intelligenza artificiale forniti da terze parti, mentre il 33% combina sistemi proprietari e servizi esterni. Le infrastrutture completamente proprietarie rappresentano una quota inferiore all’1%.

Il vero cambiamento riguarda il processo editoriale

La seconda parte di WHO IS NARRATING THE FUTURE? suggerisce una trasformazione che riguarda soprattutto l’organizzazione della produzione.

L’editore del prossimo futuro avrà a disposizione un numero crescente di strumenti per generare voce, correggere testi, controllare registrazioni, tradurre contenuti e produrre elementi sonori.

Il vantaggio competitivo arriverà dalla capacità di organizzare questi strumenti attraverso procedure ripetibili, controllabili e coerenti con il valore di ogni titolo.

Il modello a tre velocità rappresenta bene questa evoluzione: ogni libro riceve il livello di investimento più adatto alle proprie caratteristiche editoriali ed economiche.

Per gli editori si apre così una possibilità particolarmente importante: estendere la produzione audio a una quota molto più ampia del catalogo, valorizzando la backlist e riservando maggiori risorse professionali ai titoli che richiedono una forte componente interpretativa.

L’intelligenza artificiale diventa quindi una nuova componente dell’infrastruttura produttiva dell’editoria audio. La qualità del risultato dipenderà sempre più dalla capacità delle aziende di definire procedure, responsabilità, diritti e criteri editoriali prima ancora di scegliere il software.