Audiolibri, l’IA è già nella produzione. Ma il futuro sarà ibrido

Un anno fa la domanda era soprattutto quali tecnologie di intelligenza artificiale fossero già disponibili per produrre, tradurre, lavorare e distribuire contenuti audio. La risposta della Frankfurter Buchmesse e di Dosdoce.com era arrivata anche sotto forma di una mappa di oltre 160 strumenti e servizi, dai motori di sintesi vocale ai sistemi di traduzione, dalle applicazioni per la pre e post-produzione fino alle soluzioni destinate al marketing.

 

Oggi la questione è già un’altra: non più soltanto che cosa può fare l’IA nell’audio editoriale, ma quanto e come sia entrata davvero nei processi produttivi. Secondo il nuovo rapporto Who is Narrating the Future? AI Adoption, Use and Outlook in Audio Production, l’85% di chi ha risposto utilizza strumenti di intelligenza artificiale in almeno una fase del lavoro, il 17% li ha integrati in maniera estesa. E, soprattutto, il modello che si sta delineando non è quello della sostituzione della voce umana, bensì di una produzione «a tre velocità»: umana per i titoli di punta, ibrida per una parte crescente del catalogo e interamente sintetica soprattutto per opere che, con i costi tradizionali, non avrebbero avuto una versione audio.

 

Il nuovo white paper, realizzato da Dosdoce.com per Frankfurter Buchmesse, allarga lo sguardo ad audiolibri, audiodrammi, podcast e produzioni multivoce e prova a seguire l’intelligenza artificiale lungo l’intero processo produttivo: dalla preparazione del testo alla sintesi vocale, dalla localizzazione al controllo qualità e alla post-produzione. È il nuovo capitolo di un lavoro di ricerca che le due organizzazioni conducono da tre anni sull’impiego delle tecnologie nel settore audio.

La parte quantitativa dello studio raccoglie le risposte di 53 tra case editrici, studi di produzione e operatori della distribuzione, contestualizzate attraverso il contributo di altre 32 persone attive professionalmente nell’audio. Il 50% dei contributi proviene da studi di produzione, il 36% da case editrici e il restante 14% da piattaforme di streaming e distributori. Sono rappresentati diversi Paesi europei, tra cui l’Italia, l’America Latina, Stati Uniti e Canada, Africa e Medio Oriente.

L’85% di chi ha risposto dichiara dunque di usare l’IA almeno in una fase della produzione, contro un 15% che non la utilizza affatto. Ma è la profondità dell’integrazione a raccontare meglio la situazione: il 38% ha introdotto strumenti di intelligenza artificiale in tre o quattro passaggi del processo produttivo, mentre solo il 17% li utilizza in più di sei. L’adozione, insomma, è ormai ampia, ma la trasformazione complessiva dei flussi di lavoro è ancora molto meno avanzata.

E soprattutto l’intelligenza artificiale nell’audio non coincide con la voce sintetica. Tra gli utilizzi che emergono con maggiore frequenza ci sono la preparazione e l’adattamento del testo, l’analisi editoriale preliminare, la gestione della sintesi vocale e i controlli automatici di qualità, per esempio attraverso il confronto tra il testo originale e la registrazione. Meno diffusi risultano invece il voice cloning, la direzione interpretativa attraverso sistemi speech-to-speech e la traduzione o localizzazione automatizzata dei cataloghi, attività che richiedono condizioni tecniche, creative, linguistiche e giuridiche più complesse.

È forse questo uno dei risultati meno appariscenti ma più interessanti del rapporto. Oltre il 90% di chi ha partecipato alla ricerca concorda sul fatto che, nel breve periodo, il principale vantaggio dell’IA non si trovi nella performance creativa, ma nelle attività operative che la circondano: preparazione dei testi, controllo qualità, automazione dei flussi e generazione dei metadati.

La contrapposizione tra voce umana e voce artificiale, attorno alla quale si è concentrata buona parte del dibattito degli ultimi anni, viene infatti considerata dal rapporto una falsa alternativa.

La tendenza individuata è verso una segmentazione della produzione in tre livelli. Al primo rimarrebbero le produzioni interamente umane, destinate ai titoli di punta, alle opere con maggiore valore letterario, editoriale o commerciale e a quelle che richiedono una capacità interpretativa o una complessità tecnica particolarmente elevate.

Al secondo si collocherebbe il modello ibrido, cioè una produzione umana assistita da strumenti di IA. Secondo il rapporto è proprio questa la modalità destinata a diventare la più comune per la maggior parte delle case editrici e delle piattaforme: la tecnologia può occuparsi di attività più meccaniche o ripetitive, mentre le persone mantengono il controllo sull’interpretazione e sulle decisioni editoriali.

Il terzo livello sarebbe costituito dalla produzione completamente basata sull’IA, destinata in particolare al catalogo e alle nicchie che non arriverebbero al formato audio perché una produzione con voce umana non sarebbe economicamente sostenibile. Anche in questo caso il modello descritto dal rapporto prevede comunque un intervento umano di revisione dei processi e dei risultati.

La distinzione attraversa anche le tipologie di contenuto. La narrativa rimane il terreno nel quale il valore dell’interpretazione umana viene considerato più difficile da sostituire: emozione, personaggi, ritmo, sfumature e contesto continuano a richiedere una componente performativa particolarmente forte. Saggistica informativa, testi tecnici, accademici, educativi e di attualità vengono invece indicati più spesso come ambiti adatti alla sperimentazione con la narrazione sintetica.

C’è comunque un 15% di partecipanti alla ricerca che continua a scegliere un modello di produzione esclusivamente umano. Le ragioni non sono tutte ideologiche: accanto a precise convinzioni editoriali o scelte di posizionamento ci sono problemi di qualità delle voci in alcune lingue, indisponibilità di determinati accenti, vincoli contrattuali, richieste esplicite della clientela e processi interni non ancora pronti a integrare l’intelligenza artificiale.

Uno dei dati più interessanti del nuovo rapporto riguarda i costi. Anche perché permette di mettere alla prova uno degli argomenti su cui la comunicazione commerciale attorno all’IA ha insistito maggiormente.

Le aziende tecnologiche, osserva il rapporto, arrivano a indicare riduzioni dei costi dell’85-95%. L’esperienza raccolta tra chi sta utilizzando effettivamente questi strumenti restituisce però valori molto più bassi: circa il 20% di risparmio nel secondo anno di adozione e fino al 50% nel terzo. Per valutare correttamente la convenienza economica, avverte Dosdoce.com, bisogna infatti confrontare l’intero flusso produttivo e non soltanto singole voci di costo.

Il confronto con quanto raccontavamo l’anno scorso è interessante, anche se i dati non sono direttamente sovrapponibili. Il rapporto 2025 indicava per la produzione di audiolibri basata sull’IA un potenziale risparmio compreso tra il 50 e l’80% rispetto ai processi tradizionali con voce umana. Il nuovo studio insiste invece sui risparmi effettivamente riscontrati nel medio periodo e sull’importanza di calcolare il costo dell’intero processo. È uno slittamento significativo: dalla promessa tecnologica alla verifica della sua sostenibilità industriale.

La convenienza economica resta comunque centrale soprattutto per quella parte enorme della produzione libraria che oggi non arriva all’audio. Il rapporto richiama una stima secondo cui circa il 95% degli e-book non avrebbe ancora una corrispondente versione audio, pari a 5,1 milioni di titoli. È qui che l’IA potrebbe incidere realmente sull’offerta: non tanto sostituendo gli audiolibri che oggi verrebbero comunque prodotti con voci professionali, quanto rendendo economicamente possibile l’audio di titoli che oggi non viene prodotto affatto.

Se i costi possono scendere e le tecnologie continuano a migliorare, perché l’adozione non procede ancora più velocemente? La risposta del rapporto è piuttosto netta: gli ostacoli non sono soltanto tecnologici.

Il 50% di chi ha risposto indica come principale barriera le limitazioni poste da agenzie letterarie che non autorizzano l’uso dell’IA, case editrici e autrici e autori che preferiscono la narrazione umana, insieme alle restrizioni introdotte dalle piattaforme sull’utilizzo di determinati strumenti. Un altro 25% richiama questioni come la scarsa qualità o naturalezza delle voci, la protezione dei manoscritti, l’indisponibilità di voci adeguate nelle lingue o negli accenti locali e la scarsa redditività di alcune produzioni. Il 12% segnala la mancanza di standard condivisi dal settore e circa il 10% difficoltà tecniche nell’integrazione dell’IA nei flussi di lavoro esistenti.

Ancora più indicativi sono i criteri utilizzati per scegliere strumenti e fornitori. Qualità della voce e trasparenza sui diritti sono citate dall’86% del campione, la tutela dei dati e dei materiali dal 79%. Rapidità di commercializzazione e risparmio economico si fermano al 44%, l’assistenza tecnica al 33%. La scelta di una tecnologia, conclude il rapporto, è dunque una decisione editoriale, legale e reputazionale, non soltanto economica.

Il 90% riconosce inoltre la necessità di una maggiore trasparenza verso autrici, autori e pubblico su dove e come l’intelligenza artificiale venga utilizzata; il 60% richiama il consenso nel voice cloning, dataset vocali ottenuti attraverso licenze corrette e forme eque di remunerazione per chi presta la propria voce.

C’è poi un altro elemento che invita alla cautela. La tecnologia consente ormai di generare quantità crescenti di contenuti, ma non è affatto certo che il pubblico li desideri nella stessa misura.

Negli Stati Uniti, secondo i dati richiamati dal rapporto, nel 2025 i titoli narrati dall’IA avrebbero generato appena lo 0,03% dei ricavi complessivi degli audiolibri e soltanto il 16% di chi ascolta audiolibri dichiara di averne già ascoltato uno con una voce artificiale.

Allo stesso tempo, le ricerche sulla risposta del pubblico non forniscono ancora risultati univoci. Uno studio condotto da Edison Research per Spoken e ripreso dal white paper ha registrato, per storie costruite attorno a più personaggi, valutazioni più alte delle voci generate dall’IA rispetto alla narrazione umana per gradimento complessivo, qualità percepita della narrazione e coinvolgimento. Per i contenuti espositivi senza più personaggi, invece, la voce umana ha ottenuto risultati migliori.

Siamo insomma in una situazione in cui la capacità produttiva sembra crescere più velocemente della domanda, mentre mancano ancora dati sufficientemente consolidati sul comportamento d’ascolto nel lungo periodo.

E la questione della qualità potrebbe diventare persino più importante man mano che produrre audio diventa più facile. Se aumenterà enormemente la quantità di titoli disponibili, la scarsità si sposterà dalla produzione all’attenzione: interpretazioni distintive, voci riconoscibili e casting potranno diventare non soltanto caratteristiche creative, ma anche strumenti di marketing e differenziazione. Come osserva il rapporto, un prodotto sintetico dovrà comunque offrire una ragione per essere scelto e, soprattutto, acquistato in un ambiente nel quale la trasformazione di un testo in audio potrebbe diventare sempre più accessibile.

Il secondo grande terreno di crescita individuato dal rapporto è quello internazionale. Traduzione e localizzazione sono indicate ripetutamente tra le maggiori opportunità economiche offerte dall’IA: potrebbero consentire di produrre versioni di uno stesso contenuto in più lingue e raggiungere pubblici che oggi restano esclusi perché i costi non giustificano una produzione tradizionale.

America Latina, Medio Oriente e Africa sono citati esplicitamente tra le aree nelle quali una riduzione dei costi potrebbe ampliare i cataloghi e diversificare la presenza di lingue e accenti. Rachel Ghiazza, Chief Content Officer di Audible, sottolinea nel rapporto come milioni di libri cartacei ed e-book non abbiano ancora una versione audio e descrive l’approccio dell’azienda non come una scelta tra produzione professionale e IA, ma come l’impiego di entrambe: l’intelligenza artificiale per rendere possibili titoli che altrimenti non arriverebbero all’audio, soprattutto di catalogo e in lingue diverse dall’inglese, mentre gli investimenti nella narrazione professionale continuano per le produzioni di maggiore valore.

Ma è anche qui che rischia di riprodursi una disuguaglianza già visibile nello sviluppo delle tecnologie. Senza investimenti deliberati in dataset vocali diversificati e ottenuti secondo criteri trasparenti, modelli realmente multilingue, sistemi chiari di gestione dei diritti e remunerazione delle professionalità vocali locali, avverte il rapporto, l’espansione dell’IA potrebbe rafforzare anziché ridurre gli squilibri esistenti nella rappresentazione delle lingue e delle culture.

Oltre il presente, il rapporto prova infine a immaginare il prossimo passaggio. L’86% di chi ha risposto si aspetta che nei prossimi tre anni l’impiego dell’intelligenza artificiale produca una crescita almeno moderata del settore: il 44% prevede una crescita dirompente, il 42% moderata e soltanto il 14% non si aspetta cambiamenti significativi.

L’ipotesi che attraversa molte delle risposte è quella di un mercato nel quale conviveranno produzioni differenti: contenuti sintetici capaci di ampliare enormemente l’offerta e produzioni umane di maggior valore, soprattutto per la narrativa e per i titoli nei quali l’interpretazione costituisce una componente importante dell’esperienza.

Più avanti, alcuni degli scenari raccolti da Dosdoce.com sono decisamente più radicali. L’audiolibro potrebbe smettere di essere un contenuto prodotto una volta per tutte e diventare una versione generata al momento dell’ascolto, nella lingua e con la voce scelta da chi ascolta, in maniera non troppo diversa da come oggi è possibile selezionare un carattere o modificarne la dimensione in un e-book. Diverse persone intervistate considerano questa possibilità tecnicamente plausibile nell’arco di pochi anni. In quel caso, sostengono, il principale ostacolo non sarebbe più la tecnologia, ma la gestione dei diritti e delle licenze.

Ed è probabilmente qui che si misura meglio il cambiamento rispetto a un anno fa. Nel 2025 potevamo ancora osservare una mappa di tecnologie e chiederci quali possibilità avrebbero aperto. Nel 2026 la questione sembra già spostarsi altrove: quali libri produrre con quali modalità, quali passaggi affidare alle macchine, quali mantenere umani e secondo quali regole.

Il rapporto, nelle conclusioni operative, lo dice in maniera piuttosto chiara: la scelta più utile non è stabilire una volta per tutte se sia migliore una voce umana o sintetica, ma assegnare a ciascun titolo il modello produttivo più adatto, incrociando valore editoriale e commerciale e necessità interpretative, insieme a diritti, lingua e disponibilità economiche. E mantenendo un principio lungo l’intero processo: dalla preparazione del testo al mastering, la macchina può proporre; una persona dotata di competenze e giudizio editoriale deve continuare ad accettare, correggere o rifiutare.