15 ottobre 2026 · aggiornato il 4 novembre 2026 · 12 min lettura
VibeVoice, la famiglia vocale di Microsoft, in inglese suona molto credibile; in italiano no. L'ho eseguita in locale il 15 ottobre 2026 su una RTX 5080 Laptop da 16 GB: il modello da 7 miliardi di parametri, compresso a 4 bit, occupa 8,7 GB e genera più in fretta del parlato. Le voci italiane, però, hanno una cadenza british e sbagliano le pronunce.
Come ho provato VibeVoice
La prova è del 15 ottobre 2026, su un portatile ASUS ROG Strix G18 con Core Ultra 9 275HX, 32 GB di RAM e RTX 5080 Laptop da 16 GB, sia su Windows 11 sia su Ubuntu in WSL, col piano energetico Bilanciato e l'alimentatore collegato. Ho messo alla prova tre modelli: il 7B, il 1.5B ufficiale (microsoft/VibeVoice-1.5B) e il Realtime 0.5B ufficiale, preso dal repository microsoft/VibeVoice, con le due voci italiane sperimentali it-Spk0_woman e it-Spk1_man.
Il 7B richiede un giro più lungo, perché Microsoft non lo distribuisce più: microsoft/VibeVoice-Large risponde 401 e il codice di sintesi è stato tolto dal repository ufficiale il 5 settembre 2025. Ho usato la copia vibevoice/VibeVoice-7B (17,4 GiB) insieme al fork vibevoice-community/VibeVoice, con licenza MIT. L'ambiente è un uv venv --python 3.12 con torch==2.11.0 costruito per CUDA 12.8, che le RTX serie 50 richiedono, e bitsandbytes per la quantizzazione (la riduzione della precisione dei pesi).
Il demo del fork, demo/inference_from_file.py, non ha opzioni di compressione. Per il 4 bit ho scritto uno script mio che passa a from_pretrained una BitsAndBytesConfig con load_in_4bit=True, tipo nf4 e calcolo in bf16. Comprimo solo il modello linguistico: i moduli audio (acoustic_tokenizer, semantic_tokenizer, i due connettori, prediction_head, lm_head) restano in bf16 tramite llm_int8_skip_modules, perché comprimerli produce rumore.
Restano fuori dalla prova tre cose: il 7B originale di Microsoft, che non si scarica più, il profilo energetico Turbo e le voci di altre persone.
Cos'è VibeVoice e perché il 7B vive nei fork
VibeVoice è una famiglia di modelli vocali open di Microsoft, con licenza MIT. Secondo il
Iscriviti alla newsletter per ricevere i migliori articoli direttamente nella tua inbox.
Intelligenza Artificiale
Quanto può ricordare un'AI in locale? Il limite del contesto sui 16GB
Nei primi due articoli della serie abbiamo installato LM Studio e misurato quanto corre sul mio portatile RTX 5080 16GB. Lì abbiamo visto quanta VRAM si mangia il *modello*. Ma c'è un secondo divoratore di memoria di cui quasi nessuno parla: il contesto.
comprende tre modelli di riconoscimento vocale (ASR-7B, ASR-Streaming, ASR-BitNet), il TTS da 1.5 miliardi di parametri, la cui colonna di prova rapida risulta «Disabled», e il Realtime da 0.5B. La sintesi vocale è il pezzo che interessa qui.
Il README racconta che dopo il rilascio il team trovò un uso «inconsistent with the stated intent» e rimosse il codice TTS. La data, il 5 settembre 2025, è nello stesso README: da allora il repository ufficiale non basta più per rifare la sintesi del 7B, e chi vuole eseguirlo in locale dipende da copie e fork della comunità. Su Hacker News c'è chi osserva che Microsoft e GitHub controllano la piattaforma e possono cancellare tutte le copie che controllano, nonostante la licenza MIT, e chi consiglia di clonare i repository subito. Il thread nasce attorno a un altro progetto di clonazione vocale, quindi lo cito con prudenza.
La stessa pagina dichiara lo scopo d'uso in modo esplicito:
The model is intended for research and development purposes only. We do not recommend using VibeVoice in commercial or real-world applications without further testing and development.
La scheda del 1.5B su Hugging Face aggiunge un limite che spiega l'esito dell'ascolto: il modello è addestrato solo su dati in inglese e cinese, e in altre lingue l'output può essere imprevisto. La scheda del Realtime 0.5B lo indica come pensato per l'inglese, con un solo parlante, e propone da esplorare nove lingue aggiuntive, italiano compreso, avvertendo che fuori dall'inglese i risultati possono essere imprevedibili. Sul numero di parametri del Realtime le fonti non concordano: il testo dice 0.5B, i metadati di Hugging Face segnalano 1B in BF16.
VibeVoice sulla RTX 5080: memoria, velocità e ottimizzazioni
Il risultato più utile della prova è che un 7B ben compresso gira su una GPU da portatile con 16 GB, ma solo se resta dentro la VRAM. Le misure di velocità sono espresse in secondi di calcolo per ogni secondo di audio prodotto: sotto 1 il modello è più veloce del parlato. Quando invece il dato è espresso come secondi di audio per secondo di calcolo, lo dichiaro nel testo.
Memoria
Il 7B in precisione piena occupa 17,4 GB e non entra nei 16 GB della scheda. Non dà alcun errore: il driver NVIDIA sposta una parte dei pesi nella RAM di sistema e la velocità crolla. Con 36 secondi di audio da produrre, il calcolo ha richiesto 428 secondi. È una trappola per chi misura, perché il programma funziona e produce un file corretto; si nota solo dal cronometro.
Compresso, il quadro cambia. Misurato sulla scheda:
7B a 4 bit: 8,7 GB (picco 9,4 GB, 10,3 GB nella prova lunga)
7B a 8 bit: 11,3 GB (picco 12,1 GB)
1.5B: 5,0 GB (picco 5,7 GB)
Realtime 0.5B: 2,5 GB (picco 2,6 GB)
Velocità
Ho ripetuto 5 volte un dialogo inglese di 33 secondi; non riporto la dispersione delle ripetizioni, solo il valore sintetico. Il 7B a 4 bit richiede 0,81 secondi di calcolo per ogni secondo di audio su Windows e 0,73 su Linux. Il 1.5B scende a 0,68 su Windows e a 0,52 su Linux. Il 7B a 8 bit è il più lento: 1,98, quindi quasi il doppio del tempo reale, e peggiore del 4 bit nonostante usi più bit. L'italiano viaggia alla stessa velocità dell'inglese.
La prova lunga è un testo di 777 parole a 4 voci: col 7B ha prodotto 244 secondi di audio in 215 secondi di calcolo. Linux supera Windows del 10% col 7B e del 23% col 1.5B.
Il Realtime 0.5B emette il primo audio dopo 47-50 millisecondi su Windows e 38-39 su Linux. Quel numero misura il modello da solo, quindi non è confrontabile con i 200-300 millisecondi che la scheda ufficiale indica per il primo audio udibile: Microsoft parla di tempi percepiti in un servizio completo, dove contano anche rete e codifica, e di una cifra che dipende dall'hardware.
Dove sta il freno
Durante la generazione la GPU restava al 45-54% di utilizzo, mentre un solo core della CPU era al 95%. Il freno è dunque la CPU, che prepara e lancia sulla scheda moltissimi piccoli lavori, non la potenza della scheda. Lo conferma l'effetto del raggruppamento: generando 4 testi insieme, il 7B passa da 1,19 a 3,95 secondi di audio per secondo di calcolo su Windows. Il 1.5B con 4 testi arriva a 4,66 su Windows e a 6,58 su Linux. Un test indipendente su RTX 3090 pubblicato da vc.ru trova lo stesso andamento: quattro testi insieme riducono il tempo da 19,08 a 8,63 secondi.
Ottimizzazioni che non hanno funzionato
FlashAttention 2 non è mai stata più veloce di SDPA, l'attenzione standard di PyTorch. Su Windows l'ho usata con la wheel precompilata di kingbri1 più triton-windows; col 1.5B su Linux era più lenta del 25%. torch.compile applicato alla testa di diffusione vale al massimo il 10%, e su Windows la modalità reduce-overhead si ferma con un OverflowError finché non si imposta TORCHINDUCTOR_USE_STATIC_CUDA_LAUNCHER=0.
Portare i passi di diffusione da 10 a 20 non ha migliorato nulla: il 7B rallenta (1,15) e nel dialogo è comparsa da sola una musica di sottofondo con suoni strani. Lo stesso test di vc.ru segnala artefatti simili, musica o rumori estranei, in un campione generato in batch coi modelli compressi; la configurazione però è diversa (più testi insieme, non più passi), quindi non basta a dire che il difetto sia lo stesso.
Dove la mia prova e quella su RTX 3090 divergono
Il test di vc.ru misura il 7B in bf16 con un picco di circa 17,5 GB, in INT8 intorno a 11-11,4 GB e in NF4 intorno a 8,7 GB, coerenti con le mie cifre di memoria. Sulla velocità invece le strade si dividono: lì il 4 bit risulta più lento (RTF 1,87) e di qualità peggiore, mentre da me è il più veloce e non lo distinguo dal modello pieno. Le ragioni plausibili sono la scheda (RTX 3090 contro RTX 5080), la versione del codice e il fatto che io lasci i moduli audio in bf16, ma non ho una prova che isoli la causa.
La trappola dello schermo spento
Con lo schermo spento il portatile entrava in standby moderno anche durante il calcolo: la GPU scendeva a 54 W e i benchmark uscivano più lenti del 25-35%, quindi ho rifatto tutte le misure tenendo lo schermo acceso. Chi confronta numeri su un portatile ha un motivo in più per controllare i watt della scheda prima di fidarsi del cronometro.
Qualità: misure e ascolto alla cieca
Le due misure automatiche dicono che il parlato è corretto e la voce è fedele, e nessuna delle due sente l'accento. Con Whisper large-v3-turbo i dialoghi avevano tra lo 0 e il 2,5% di parole sbagliate, anche in italiano. Con l'impronta vocale WavLM, due spezzoni della mia voce vera danno 0,991, i cloni 0,967-0,980 e le voci di altre persone 0,31-0,67.
Per l'accento serve l'orecchio, e per non farmi influenzare ho ascoltato alla cieca con una pagina locale, votando da 1 a 5. In inglese il 7B è molto credibile e la prova lunga a 4 voci è la migliore, con 5 su 5. Il 7B a 4 bit e il 7B pieno non li distinguevo; l'8 bit perde un po' nella cadenza. Contro il 1.5B ho scelto sempre il 7B: il 1.5B sembra velocizzato, ha fretta, mentre il 7B scandisce meglio.
In italiano la valutazione cambia. Le voci inglesi hanno una cadenza british e sbagliano le pronunce, e un esempio chiaro è «ogghi» al posto di «oggi». Il Realtime in italiano fa meglio: la voce maschile è credibile, quella femminile ha una cadenza robotica all'inizio e poi si riprende. In inglese Carter è credibile, mentre Emma ha qualcosa di strano nella qualità. Il risultato cambia da una generazione all'altra, quindi un solo ascolto non basta a giudicare.
Sulla clonazione ho usato 30 secondi di parlato pulito preso da un mio video. In italiano la voce clonata non mi somiglia: sembro mezzo spagnolo e mezzo russo, e in un file mi è sembrato di sentire Belen Rodriguez. In inglese mi riconosco un po'. È un esito coerente con la scheda del 1.5B, che parla di inglese e cinese: la clonazione sembra funzionare meglio dove il modello è stato addestrato, ma non ho una prova che isoli la causa.
Ho raccolto 10 spezzoni in un video di confronto di 2 minuti e 23 secondi, dalla prova lunga in inglese fino alla mia voce clonata in italiano. Chi vuole altri punti di riferimento sulla sintesi vocale locale trova il tutorial su Qwen3-TTS e la guida a voicebox per clonazione, sintesi e dettatura. Un confronto indipendente tra VibeVoice e alternative come Kokoro, Chatterbox o Orpheus non l'ho trovato: restano commenti aneddotici, tra cui chi trova la modalità vocale di ChatGPT una generazione avanti rispetto ai campioni di VibeVoice.
Questo video è ospitato da YouTube. Caricandolo, YouTube riceve il tuo indirizzo IP e può salvare cookie sul tuo dispositivo, secondo la sua informativa privacy.
Uso, licenza e voce altrui
L'uso dichiarato da Microsoft è la ricerca, e l'uso commerciale è sconsigliato. Per un'azienda che pensasse a voci fuori campo, annunci o una segreteria telefonica, pesa anche un aspetto pratico: il codice ufficiale non c'è più, quindi serve un fork da fissare a una versione e conservare in locale, con verifica di licenza e provenienza dei pesi. Chi lo sperimenta in casa ha lo stesso problema in scala ridotta: se la copia comunitaria sparisce, non c'è un'origine a cui tornare.
La voce di un'altra persona è il punto più delicato. Le schede ufficiali elencano tra gli usi fuori ambito l'imitazione vocale senza consenso, la disinformazione e la conversione vocale in tempo reale. In Italia l'art. 612-quater del codice penale, introdotto dall'art. 26 della legge 132/2025, punisce con la reclusione da uno a cinque anni la diffusione senza consenso di immagini, video o voci falsificati o alterati con l'intelligenza artificiale, idonei a ingannare sull'autenticità e tali da causare un danno ingiusto; di regola si procede a querela della persona offesa, d'ufficio in alcuni casi, come quando la vittima è un pubblico ufficiale o una persona incapace. La condotta punita è la diffusione, non la creazione. Il testo dell'articolo è breve e si legge in un minuto; per un uso in azienda resta comunque da sentire un legale. In pratica, voci di persone reali solo con consenso scritto.
C'è poi una discrepanza che non so spiegare. Le schede del 1.5B e del Realtime dichiarano un avviso udibile incorporato in ogni file e una filigrana impercettibile. Nelle mie generazioni non ho sentito nessun avviso di audio generato, e non lo riportano neppure le trascrizioni di Whisper; il fork comunitario non basta a spiegarlo, perché il Realtime viene dal repository ufficiale e l'avviso manca anche lì. Sulla filigrana impercettibile, invece, l'ascolto non può dire nulla.
Pro, contro e per chi è adatto
A favore c'è soprattutto l'inglese: il dialogo lungo a più voci è credibile, il 7B a 4 bit sta in 8,7 GB e va più veloce del parlato su una scheda da portatile. La licenza MIT permette di eseguirlo in locale, senza mandare testi o voci a un servizio esterno.
Contro, il 7B oggi si trova solo in copie comunitarie, l'italiano è inutilizzabile come lingua principale, la clonazione in italiano non somiglia alla voce di partenza e il risultato cambia da una generazione all'altra. A questo si aggiungono l'uso commerciale sconsigliato dal produttore e i limiti dichiarati dalle schede: solo parlato, niente voci sovrapposte. Il Realtime in italiano è un esperimento utilizzabile, non un prodotto.
Lo userei per voci fuori campo in qualche scena, un jingle, una segreteria telefonica, un piccolo doppiaggio di scenette, tutti lavori in inglese o dove un accento marcato non è un problema. Per il resto, la voce umana resta la cosa più bella che ci sia.
