Flusso di generazione dell'audio

Panoramica della pipeline AI text to speech

Lexora è una piattaforma AI text to speech progettata per flussi editoriali moderni. Supporta due modalità di generazione: Modalità classica e Modalità automatica.

Entrambe le modalità utilizzano lo stesso motore neurale di sintesi vocale, ma differiscono nel modo e nel momento in cui l’audio viene generato. Questo permette ai team di scegliere tra una generazione controllata e pregenerata oppure una generazione AI on demand.

Modalità classica vs modalità automatica

Modalità classica

Nella modalità classica, la generazione viene avviata manualmente dal configuratore. Lexora elabora il testo, genera l’audio con l’AI e salva una risorsa audio finale riutilizzabile.

Modalità automatica

Nella modalità automatica, la generazione AI text to speech avviene su richiesta quando un utente visita la pagina. Lexora legge il contenuto da un contenitore target (oppure da uno script diretto), genera l’audio in blocchi progressivi e avvia la riproduzione non appena il primo segmento è disponibile.

Modalità classica: generazione audio passo dopo passo

1. Validazione del testo: verifica qualità, lunghezza e processabilità del contenuto.
2. Stima dei crediti: mostra il costo previsto prima dell’avvio.
3. Rendering neurale: converte il testo in audio naturale generato dall’AI.
4. Creazione della risorsa: salva l’MP3 finale come asset riutilizzabile.
5. Assegnazione dell’ID audio: rende possibile embed e riutilizzo programmatico.

Questo flusso è ideale quando vuoi una produzione prevedibile e un file audio finale stabile, pronto per la distribuzione.

Modalità automatica: generazione e riproduzione in tempo reale

1. Validazione di progetto e dominio per autorizzare le richieste di generazione.
2. Acquisizione dell’input tramite selettore di contenuto o testo fornito direttamente.
3. Rendering a blocchi per ridurre il tempo di attesa iniziale.
4. Riproduzione progressiva mentre vengono generati i blocchi successivi.
5. Logica di riutilizzo quando esiste già una generazione corrispondente.

La modalità automatica è pensata per siti dinamici, blog, documentazione e contenuti aggiornati frequentemente, dove pregenerare ogni file audio non sarebbe pratico.

Logica dei crediti

Il consumo dei crediti dipende dalla generazione, non dalla riproduzione. Questa regola vale per entrambe le modalità.

In modalità automatica, la generazione dipende dalla coppia (text + voice_id):

• Se text + voice_id non cambia, Lexora riutilizza l’audio esistente e non consuma nuovi crediti.
• Se il testo cambia, è necessaria una nuova generazione e i crediti vengono consumati.
• Se cambia il voice ID, la generazione viene trattata come nuova e i crediti vengono nuovamente consumati.

Poiché la modalità automatica può essere attivata dal traffico reale, le pagine ad alto volume potrebbero consumare crediti più rapidamente rispetto alla modalità classica.

Cosa migliora la qualità della voce AI

Una sintesi vocale AI di alta qualità parte sempre da un testo pulito, ben strutturato e da una corretta scelta della voce.

• Scegli la lingua corretta per ottenere una pronuncia accurata.
• Seleziona una voce coerente con il tono del contenuto.
• Usa punteggiatura e formattazione per migliorare ritmo e naturalezza.
• Segui le linee guida sul testo per ottenere la migliore resa possibile.

Perché questa architettura è importante nel text to speech moderno

• AI text to speech scalabile sia per contenuti statici che dinamici.
• Separazione chiara tra generazione dell’audio e layer di riproduzione.
• Output riutilizzabili che riducono rigenerazioni non necessarie.
• Integrazione flessibile per publisher, prodotti SaaS e siti ricchi di contenuti.

Lexora non è solo uno strumento di sintesi vocale: è un’infrastruttura audio AI pensata per team che hanno bisogno di qualità, scalabilità e controllo.