Migliori text to speech del 2026: app e API a confronto (verificato a luglio 2026)

Speechify è la migliore app text to speech per ascoltare contenuti, ma l’abbonamento Premium da $29 non include i diritti di distribuzione commerciale. NaturalReader offre un rapporto qualità-prezzo migliore per chi parte dai documenti, a $79 l’anno; ElevenLabs è la scelta da $6 per produrre audio pubblicabile, mentre Amazon Polly o Google Cloud sono più adatti quando la voce deve essere integrata in un software.

La prima decisione non riguarda la voce più convincente in una demo, ma la destinazione finale dell’audio.

Un’app di lettura trasforma PDF, pagine web, email o libri in contenuti da ascoltare. Uno studio di produzione converte un copione in audio da modificare e pubblicare. Un’API di sintesi vocale genera invece la voce all’interno di un prodotto. Il motore di sintesi può essere simile, ma prezzi, diritti, procedure di revisione e possibili criticità cambiano radicalmente.

Tutti i piani, le soglie, i modelli e i limiti riportati di seguito sono stati verificati sulle pagine ufficiali dei fornitori il 29 luglio 2026. È un confronto basato su prezzi e analisi, non la dichiarazione di aver utilizzato account a pagamento o sottoposto le voci a un test d’ascolto controllato.

I migliori strumenti text to speech a colpo d’occhio

Scegli Speechify se devi ascoltare ciò che è già sullo schermo. Scegli NaturalReader se PDF, scansioni, distribuzione in ambito scolastico e costo annuale contano più di un’esperienza impeccabile tra dispositivi. Scegli ElevenLabs se l’audio diventerà un video per un cliente, un corso, un audiolibro o una risorsa per una campagna.

Ha senso passare a un’API soltanto quando la voce deve essere generata automaticamente dentro un software. Amazon Polly è il riferimento più lineare per i costi. Google Cloud propone la scala più ampia, dalle voci Standard e WaveNet da $4 alle voci Studio da $160. Azure merita attenzione per grandi volumi contrattualizzati. OpenAI è la scelta centrata sulla direzione interpretativa quando un’istruzione come “tono calmo e misurato, con un’urgenza appena accennata” è più utile di un’impostazione vocale tradizionale.

Come sono stati selezionati

Sono stati inclusi sette prodotti perché ciascuno risponde a una scelta d’acquisto distinta. La classifica si basa su sei criteri:

1. Flusso di input: gestisce il materiale già disponibile, per esempio una pagina web, un PDF, una scansione, un copione lungo o la risposta di un’applicazione?
2. Direzione: permette di controllare pronuncia, ritmo, emozione, enfasi e coerenza, oppure consente soltanto di scegliere una voce e premere Play?
3. Diritti: il piano specifico autorizza l’ascolto personale, la pubblicazione commerciale o l’uso in un prodotto?
4. Unità di costo: il consumo si misura in parole, caratteri, crediti, token di testo, token audio o tramite una quota mensile?
5. Flusso di output: il prodotto comprende modifica, esportazione, revisione e collaborazione oppure restituisce soltanto un file audio?
6. Il limite decisivo: che cosa rende improvvisamente poco sensato un piano altrimenti valido — una licenza per uso personale, un pool di crediti condiviso, un moltiplicatore per modello, un impegno minimo o prezzi poco trasparenti?

La selezione combina volutamente app di lettura, studi di produzione e API, perché chi cerca “text to speech” usa questa espressione per tutte e tre le categorie. Non significa che siano intercambiabili. Sono stati esclusi i prodotti descrivibili soltanto con slogan sul numero di voci, prezzi non verificabili o vaghe promesse di qualità.

La qualità delle voci non è stata classificata. Un confronto d’ascolto attendibile richiede lo stesso copione, la stessa lingua, la stessa tipologia di voce, lo stesso volume, lo stesso formato di output, la stessa direzione interpretativa e la stessa griglia di valutazione per ogni sistema. Una demo in homepage non dimostra la coerenza sulle lunghe durate, la precisione della pronuncia o la tenuta di una voce durante un montaggio impegnativo. I giudizi si basano quindi su flussi di lavoro, diritti, controlli, limiti e costi verificabili.

1. Speechify è la migliore app text to speech per l’ascolto

Speechify è la prima scelta più solida quando il materiale esiste già e si vuole ascoltarlo nei vari momenti della giornata, invece di creare un file audio destinato alla distribuzione.

Reader accetta i formati tipici della lettura quotidiana: documenti, file nel cloud, materiale scansionato e testo sui dispositivi supportati. Premium aggiunge più di 1,000 voci in oltre 60 lingue, riproduzione fino a 5x, Scan & Listen, riepiloghi, chat e integrazioni con Google Drive, Dropbox e Microsoft OneDrive. In questo modo è facile passare da un articolo sul laptop all’ascolto sul telefono durante un tragitto, senza ricostruire il contenuto nella timeline di uno studio.

Il limite decisivo riguarda i diritti, non la qualità vocale. La policy d’uso pubblicata da Speechify stabilisce che gli account Reader non possono essere impiegati per la distribuzione commerciale senza autorizzazione. Per pubblicare bisogna usare il prodotto separato Speechify Studio.

Ideale per: ascoltare libri, PDF, articoli, email e documenti cloud su più dispositivi
Punto di forza: il flusso orientato alla lettura più immediato del gruppo
Prezzi: Reader Free $0; Reader Premium $29/mese; Studio Free $0; Studio Starter $19/mese; Studio Creator $49/mese
Prova gratuita: Reader e Studio offrono entrambi piani gratuiti continuativi

Tutti i piani Speechify Reader e Studio

La pagina dei prezzi di Reader presenta due piani:

• Reader Free: $0. Riproduzione fino a 1.5x, dieci voci base, ascolto sulle piattaforme supportate e sole funzionalità text to speech.
• Reader Premium: $29/mese. Più di 1,000 voci, oltre 60 lingue, riproduzione fino a 5x, Scan & Listen, riepiloghi, chat, integrazioni con servizi cloud, dettatura vocale, podcast e Voice AI Assistant.

La policy sui limiti di utilizzo di Speechify fornisce il dato assente dalla scheda prezzi. Agli abbonati Premium sono garantite 1,000,000 di parole Premium Voice al mese fino al 31 dicembre 2026. Al termine di questa estensione temporanea, la soglia contrattuale di base è 150,000 parole al mese. Il conteggio si azzera ogni mese.

È una dotazione generosa per l’ascolto personale, ma non trasforma Reader in una licenza per la produzione audio.

La pagina dei prezzi di Studio presenta tre piani distinti:

• Studio Free: $0 con 600 crediti Studio, accesso a più di 1,000 voci, Voiceover Studio, Dubbing Studio e Voice Changer. Non include clonazione vocale né diritti di utilizzo commerciale.
• Studio Starter: $19/mese con 7,200 crediti Studio, clonazione vocale, contenuti stock, voice-over, doppiaggio, Voice Changer e diritti di utilizzo commerciale.
• Studio Creator: $49/mese con 28,800 crediti Studio e tutto ciò che offre Starter.

Studio applica consumi diversi a seconda dell’attività. Il voice-over usa un credito al secondo, il doppiaggio tre e la generazione di avatar 30. Riesportare una traccia senza modifiche è gratuito; un nuovo copione o una variazione di intonazione, velocità o resa emotiva avviano invece una nuova generazione e consumano altri crediti.

Un metodo ripetibile per passare dal PDF all’ascolto

Prima di pagare, la scelta migliore deve dimostrarsi valida sul proprio materiale. Conviene usare un file rappresentativo, non una demo costruita ad arte.

1. 1

   Definire il lavoro prima di scegliere il file

   Se l’audio è destinato soltanto all’uso personale, aprire Reader. Se sarà ricevuto, riprodotto in streaming, acquistato o pubblicato da qualcun altro, fermarsi e passare a Studio o a un altro prodotto commerciale.

2. 2

   Usare una fonte complessa

   Scegliere un PDF o una pagina web con titoli, abbreviazioni, una tabella e almeno un elemento scansionato. Un paragrafo pulito dice ben poco sulle capacità di un’app di lettura.

3. 3

   Impostare la velocità di ascolto

   Partire dalla velocità normale e aumentarla soltanto finché la comprensione non inizia a calare. Premium arriva fino a 5x, ma il valore massimo è un limite tecnico, non un’impostazione predefinita ragionevole.

4. 4

   Verificare la navigazione, non soltanto la voce

   Passare da un titolo all’altro, mettere in pausa, riprendere su un altro dispositivo e controllare come l’app gestisce file cloud o materiale scansionato. Un lettore vale il suo prezzo quando aiuta a muoversi nel documento, non quando impressiona per una sola frase.

5. 5

   Controllare i diritti prima dell’esportazione

   Se il risultato deve entrare in un contenuto pubblico o a pagamento, trasferire il copione in Studio. Reader Premium resta un prodotto per l’ascolto personale anche dopo aver pagato $29/mese.

Quando Speechify vale il prezzo

Speechify vale $29/mese quando la lettura prosegue su più dispositivi, la quota di 1,000,000 di parole prevista per il 2026 è utile e gli attriti costano più dell’abbonamento. La comodità può essere giustificata, per esempio, da un avvocato che passa da un fascicolo all’altro, da un founder che ascolta report in viaggio o da chi necessita di funzioni di accessibilità.

Il rapporto qualità-prezzo peggiora se si carica soltanto qualche PDF occasionale su un unico computer. Dodici mesi alla tariffa mensile pubblicata costano $348, senza considerare eventuali sconti annuali separati. NaturalReader Lite costa $79/anno, Plus $119 e Pro $159. La differenza è tale che il flusso di lavoro deve davvero ripagarla.

2. NaturalReader offre il miglior valore per chi parte dai documenti

NaturalReader è l’acquisto più conveniente quando file, OCR, annotazioni, distribuzione nelle scuole e prezzo annuale contano più di un’esperienza di marca perfettamente fluida tra dispositivi.

L’app Personal supporta file PDF, EPUB, DOCX, PPTX, Numbers e Pages. I piani a pagamento aggiungono l’OCR, che rende leggibile dalla macchina il testo presente in immagini o scansioni, oltre a Pronunciation Editor, annotazioni, AI Smart Filter e conversione in MP3. Smart Filter è importante perché tabelle, numeri di pagina, intestazioni e piè di pagina possono trasformare un documento utile in un audio estenuante.

Il principale punto di forza di NaturalReader coincide con la causa più comune di acquisti sbagliati: Personal e Commercial sono prodotti separati. Tutti i piani Personal, compresi quelli con esportazione MP3 a pagamento, sono concessi esclusivamente per uso personale.

Ideale per: ascolto personale di molti documenti, OCR e distribuzioni in ambito didattico
Punto di forza: il flusso documentale più completo, a un prezzo annuale inferiore rispetto a Speechify Premium pagato mensilmente
Prezzi: Personal Free; Lite $13.90/mese o $79/anno; Commercial Starter $29/mese o $198/anno
Prova gratuita: piano Personal gratuito più 10,000 caratteri Commercial di prova al giorno

Tutti i piani NaturalReader Personal

La pagina dei prezzi Personal e la pagina sui limiti delle voci di NaturalReader riportano l’intera gamma:

• Free: $0. Voci Free illimitate, 20,000 caratteri Lite Voice al giorno e 4,000 caratteri condivisi tra Plus Voice e Cloned Voice al giorno. Non consente la conversione in MP3 e non include l’OCR.
• Lite: $13.90/mese o $79/anno. Ascolto illimitato con Lite Voice, 1 milione di caratteri Lite Voice per MP3 al mese, OCR, formati di documento comuni, Pronunciation Editor, annotazioni, Smart Filter e funzioni AI. Non include clonazione vocale, Plus Voices o Pro Voices.
• Plus: $20.90/mese o $119/anno. Aggiunge 500,000 caratteri di ascolto condivisi tra Plus Voice e Cloned Voice al giorno, 1 milione di caratteri MP3 condivisi tra Plus Voice e Cloned Voice al mese e fino a due voci clonate.
• Pro: $25.90/mese o $159/anno. Aggiunge Pro Voices e Reading Styles, mantenendo il limite giornaliero condiviso di 500,000 caratteri per l’ascolto e quello mensile condiviso di 1 milione di caratteri per gli MP3 tra Plus, Cloned e Pro Voices.

I prezzi annuali formano una scala di valore molto chiara. 12 mesi di Speechify Premium, pagati alla tariffa mensile pubblicata di $29, costano $348. NaturalReader Lite costa $269 in meno, Plus $229 in meno e Pro $189 in meno. Speechify può comunque prevalere per il flusso di lavoro, ma la sua comodità ha un costo annuale ben visibile.

Tutti i piani NaturalReader per l’istruzione

NaturalReader propone due piani EDU per gruppi, con fatturazione annuale:

• Premium EDU: $199 da uno a cinque utenti, $299 da sei a dieci, $399 da 11 a 20, $499 da 21 a 30, $555 da 31 a 40 e $599 da 41 a 50. Oltre 50 utenti, i prezzi partono da $12 per utente all’anno.
• Plus EDU: $299 da uno a cinque utenti, $499 da sei a dieci, $899 da 11 a 20, $1,200 da 21 a 30, $1,400 da 31 a 40 e $1,500 da 41 a 50. Oltre 50 utenti, i prezzi partono da $25 per utente all’anno.
• Licenza di sito: prezzo personalizzato per una scuola con almeno 2,000 utenti iscritti.

Pro non è disponibile per EDU. Premium EDU esclude Plus Voices e Pro Voices. Plus EDU aggiunge l’accesso a Plus Voice e Cloned Voice, ma non a Pro Voices.

È l’opzione istituzionale più convincente quando serve supportare la lettura, non produrre contenuti. In ambito didattico il confine dei diritti non scompare: Personal resta destinato all’ascolto personale.

Tutti i piani NaturalReader Commercial

NaturalReader Commercial è il percorso separato per l’audio destinato alla distribuzione. Un utente gratuito può provare fino a 10,000 caratteri al giorno. I piani Commercial attuali sono:

• Starter: $29 per utente al mese o $198 per utente all’anno, equivalenti a $16.50/mese con fatturazione annuale. Include 500,000 crediti al mese.
• Creator: $49 per utente al mese o $297 per utente all’anno, equivalenti a $24.75/mese con fatturazione annuale. Include 2 milioni di crediti al mese.
• Team: $33 per utente al mese o $192 per utente all’anno, equivalenti a $16/mese con fatturazione annuale. Richiede almeno due utenti e include 2 milioni di crediti condivisi per utente al mese.

Tutti i piani Commercial a pagamento comprendono audio con licenza commerciale, accesso ai modelli vocali Gemini, OpenAI, Azure ed ElevenLabs, Prompt Control, oltre 90 lingue, fino a quattro voci clonate, Script Assistant, Pronunciation Editor e download MP3 e WAV a 44.1 kHz.

Il costo nascosto è il moltiplicatore dei crediti. Le voci Gemini, OpenAI, Azure, Google Chirp HD e legacy costano un credito per carattere. ElevenLabs Turbo ne costa dieci; ElevenLabs HD ne costa 20.

Di conseguenza, i 500,000 crediti di Starter acquistano:

• 500,000 caratteri con una voce da un credito
• 50,000 caratteri con ElevenLabs Turbo
• 25,000 caratteri con ElevenLabs HD

Creator e Team offrono 2 milioni di crediti, che con gli stessi tre moltiplicatori diventano 2 milioni, 200,000 o 100,000 caratteri.

Chi dovrebbe evitare NaturalReader

NaturalReader Personal non è adatto a chi deve produrre output commerciali. NaturalReader Commercial non è ideale se si cerca un unico conteggio prevedibile dei caratteri per tutti i modelli. L’intera famiglia di prodotti è poco indicata se il passaggio fluido al mobile conta più dei controlli sui documenti e il costo annuale aggiuntivo di Speechify non è un problema.

NaturalReader vince quando la vera difficoltà è il documento sorgente. Convince meno quando si parte da un copione pulito e l’output richiede una direzione interpretativa.

3. ElevenLabs è il miglior text to speech per narrazioni pubblicabili

ElevenLabs è la soluzione di produzione più solida quando l’audio deve essere diretto, esportato e pubblicato, anziché soltanto ascoltato.

Starter costa $6/mese ed è il primo piano del confronto a unire licenza commerciale, Instant Voice Cloning e Dubbing Studio. Creator aggiunge Professional Voice Cloning. Pro offre inoltre PCM a 44.1 kHz tramite API e audio a 192 kbps. La piattaforma copre lo spazio tra studio nel browser e API, senza costringere chi acquista ad assemblarli entrambi fin dal primo giorno.

Questa ampiezza determina anche il limite principale. Text to speech, speech to text, musica, effetti sonori, trasformazione e isolamento della voce e doppiaggio attingono tutti allo stesso pool di crediti. Un piano che sembra includere 121 minuti di narrazione può offrirne meno se lo stesso account esegue anche doppiaggi o generazioni ripetute.

Ideale per: narrazioni, audiolibri, corsi, video di marca, doppiaggio e risorse vocali dirette
Punto di forza: la produzione commerciale parte da $6/mese
Prezzi: Free $0; Starter $6; Creator $22; Pro $99; Scale $299; Business $990; Enterprise personalizzato
Prova gratuita: piano Free con 10,000 crediti e circa dieci minuti TTS

Tutti i piani ElevenLabs

La pagina dei prezzi aggiornata elenca:

• Free: $0/mese, 10,000 crediti, circa dieci minuti TTS e tre progetti Studio.
• Starter: $6/mese, 30,000 crediti, circa 30 minuti TTS, licenza commerciale, Instant Voice Cloning, 20 progetti Studio, uso commerciale della musica e Dubbing Studio.
• Creator: $22/mese, con il primo mese a $11, 121,000 crediti, circa 121 minuti TTS, Professional Voice Cloning e crediti aggiuntivi.
• Pro: $99/mese, 600,000 crediti, circa 600 minuti TTS, output API PCM a 44.1 kHz e audio a 192 kbps.
• Scale: $299/mese, 1.8 milioni di crediti, circa 1,800 minuti TTS, tre postazioni di lavoro, collaborazione in team e tre Professional Voice Clones.
• Business: $990/mese, 6 milioni di crediti, circa 6,000 minuti TTS, dieci postazioni, dieci Professional Voice Clones e TTS a bassa latenza indicato a partire da $0.05/minuto.
• Enterprise: prezzi, crediti e postazioni personalizzati, oltre a condizioni DPA e SLA su misura, BAA HIPAA, SSO personalizzato, concorrenza elevata, doppiaggio gestito, sconti sui volumi e assistenza prioritaria.

La fatturazione annuale addebita l’equivalente di dieci mesi. Il costo mensile effettivo diventa quindi $5 per Starter, $18.33 per Creator, $82.50 per Pro, $249.17 per Scale e $825 per Business.

I crediti a pagamento non utilizzati si possono riportare per un massimo di due mesi e fino al doppio della quota mensile. Sommando l’assegnazione del mese corrente, il saldo può arrivare al triplo della quota mensile. I crediti Free non vengono riportati.

Dopo Starter, il semplice costo di abbonamento per minuto incluso nell’interfaccia si assesta nella stessa fascia: $0.20 per Starter, circa $0.18 per Creator e circa $0.17 per Pro, Scale e Business. Il calcolo precede l’eventuale consumo dello stesso pool da parte di un altro prodotto ElevenLabs.

Lo stesso brief prima e dopo l’adattamento per la voce

Una frase scritta e una frase parlata svolgono funzioni diverse. Il testo può contenere parentesi, elenchi densi, barre, URL e gerarchie visive perché chi legge può fermarsi e scorrere la pagina. L’audio, invece, svanisce mentre viene ascoltato.

Si consideri questo brief di prodotto fittizio:

Testo scritto: La collezione Studio comprende la sedia Atlas, la lampada Arc e il tavolo Field, disponibili nei colori osso, cobalto e muschio.

La versione preparata per l’ascolto crea una struttura percepibile:

Testo per la voce: Scopri la collezione Studio. Per prima, la sedia Atlas. Poi, la lampada Arc. Infine, il tavolo Field. Scegli tra osso, cobalto e muschio.

La seconda versione non è una prosa più sofisticata. Usa unità di significato più brevi, segnali di sequenza espliciti e riduce le occasioni in cui chi ascolta può perdere il filo dell’elenco. Un dizionario di pronuncia dovrebbe poi fissare ogni marchio, prodotto, persona o termine tecnico la cui grafia non ne rende evidente il suono.

È questo il livello di cura che una demo elegante tende a nascondere. Una voce può sembrare convincente e rendere comunque difficile seguire un copione lungo.

Una procedura per una narrazione pronta da pubblicare

1. Adattare il copione all’ascolto. Trasformare gli elenchi visivi in sequenze udibili. Sostituire URL grezzi, abbreviazioni non spiegate e incisi tra parentesi.
2. Fissare la pronuncia. Inserire marchi, nomi di persone, acronimi e termini di settore nel flusso di pronuncia prima di generare un passaggio lungo.
3. Generare un breve blocco rappresentativo. Includere un elenco, un cambio emotivo e un nome difficile. Non consumare l’intera quota per testare una frase iniziale semplice.
4. Confrontare l’audio con il copione. Controllare omissioni, errori di pronuncia, enfasi involontaria, ritmo affannoso e toni che alterano il significato.
5. Esportare soltanto dopo aver chiarito i diritti. Starter è il primo piano ElevenLabs che dichiara la licenza commerciale. Il consenso relativo alla voce sorgente resta un requisito separato dall’abbonamento.

Per un confronto più approfondito tra studi di produzione come Murf, Hume, Speechify Studio, WellSaid, Respeecher, Cartesia e Inworld, consultare la guida all’acquisto dei generatori vocali AI.

4. Amazon Polly è l’API vocale più prevedibile

Amazon Polly è il riferimento di costo più lineare quando un prodotto deve generare voce on demand e il team sa già gestire un servizio AWS.

Il servizio addebita i caratteri e consente di memorizzare nella cache e riprodurre l’audio generato senza ulteriori costi Polly. Speech Marks può restituire metadati temporali utili, per esempio, a sincronizzare evidenziazioni o animazioni. Polly è quindi più di un semplice generatore di file, ma rimane un’infrastruttura: lettore, timeline, revisione editoriale e distribuzione devono essere costruiti a parte.

Ideale per: applicazioni che richiedono fatturazione prevedibile per carattere e operatività AWS
Punto di forza: una scala trasparente da $4 a $100 per milione di caratteri
Prezzi: Standard $4, Neural $16, Generative $30, Long-Form $100 per 1M di caratteri
Prova gratuita: il livello gratuito AWS varia in base alla classe di voce

Tutte le classi vocali e le quote gratuite di Amazon Polly

La pagina dei prezzi di Polly presenta quattro classi a pagamento:

• Standard: $4 per 1 milione di caratteri.
• Neural: $16 per 1 milione di caratteri.
• Generative: $30 per 1 milione di caratteri.
• Long-Form: $100 per 1 milione di caratteri.

Il livello gratuito include:

• 5 milioni di caratteri Standard al mese
• 1 milione di caratteri Neural al mese per i primi 12 mesi
• 100,000 caratteri Generative al mese per i primi 12 mesi
• 500,000 caratteri Long-Form al mese per i primi 12 mesi

Negli esempi di AWS, 1 milione di caratteri corrisponde a circa 23 ore e otto minuti di parlato. A questa scala, le quattro classi costano $4, $16, $30 o $100, prima di archiviazione, distribuzione, codice applicativo, monitoraggio e revisione umana.

Quando conviene Polly

Polly vince quando prevedibilità dei costi e integrazione AWS contano più della direzione in linguaggio naturale. Un prodotto che legge notifiche, articoli, lezioni o aggiornamenti di stato può stimare il volume di caratteri prima di scegliere una classe vocale.

Perde terreno quando un editor deve dirigere l’interpretazione in linguaggio naturale, collaborare su una timeline o effettuare molte riprese soggettive. In questi casi, un’API economica si trasforma in un progetto interno per costruire gli strumenti mancanti.

5. Google Cloud Text-to-Speech offre la gamma di prezzi API più ampia

Google Cloud Text-to-Speech è la migliore scelta infrastrutturale per chi vuole trovare presso un unico fornitore voci legacy economiche, le attuali voci Chirp, Instant Custom Voice, voci Studio premium e Gemini-TTS guidato da prompt.

Nessun’altra API in classifica copre così tanti modelli di fatturazione. Le voci prezzate per carattere vanno da $4 a $160 per milione di caratteri. Gemini-TTS addebita separatamente token di testo in input e token audio in output. La varietà è un vantaggio, ma rende incompleta qualsiasi affermazione del tipo “Google TTS costa X”.

Ideale per: team che vogliono più classi di modelli vocali all’interno di Google Cloud
Punto di forza: la scala più ampia, da Standard a $4 fino a Studio a $160 e Gemini-TTS con prezzo per token
Prezzi: da $4 a $160 per 1M di caratteri, oppure Gemini-TTS con prezzo per token
Prova gratuita: l’utilizzo gratuito varia in base al modello; Gemini-TTS e Instant Custom Voice non ne dichiarano

Tutti i prezzi attuali di Google per il text to speech

La pagina ufficiale dei prezzi Google distingue Gemini-TTS, modelli TTS attuali e modelli legacy.

Gemini-TTS

• Gemini 2.5 Flash TTS e Gemini 2.5 Flash-Lite Preview TTS: nessuna quota gratuita. $0.50 per 1 milione di token di testo in input più $10 per 1 milione di token audio in output.
• Gemini 3.1 Flash TTS Preview: nessuna quota gratuita. $1 per 1 milione di token di testo in input più $20 per 1 milione di token audio in output.
• Gemini 2.5 Pro TTS: nessuna quota gratuita. $1 per 1 milione di token di testo in input più $20 per 1 milione di token audio in output.

Per questi prezzi, Google definisce un token audio come un venticinquesimo di secondo. La durata dell’output incide quindi direttamente sul costo.

Modelli attuali con prezzo per carattere

• Chirp 3 HD: 1 milione di caratteri gratuiti, poi $30 per 1 milione.
• Instant Custom Voice: nessuna quota gratuita, poi $60 per 1 milione.

Modelli legacy con prezzo per carattere

• WaveNet: 4 milioni di caratteri gratuiti, poi $4 per 1 milione.
• Standard: 4 milioni di caratteri gratuiti, poi $4 per 1 milione.
• Neural2: 1 milione di caratteri gratuiti, poi $16 per 1 milione.
• Polyglot Preview: 1 milione di caratteri gratuiti, poi $16 per 1 milione.
• Studio: 1 milione di caratteri gratuiti, poi $160 per 1 milione.

La tariffa Studio da $160 non è un errore di arrotondamento: equivale a 40 volte quella Standard da $4. Prima di indirizzare volumi di produzione verso questo livello, un team dovrebbe rilevare un vantaggio concreto sul proprio copione.

Quando cambia la scelta

Standard o WaveNet sono indicati quando prevalgono costo e volume gratuito. Neural2 ha senso se il livello da $16 è sostenibile e una classe neurale attuale soddisfa lingua e voce richieste. Chirp 3 HD va scelto quando la classe da $30 giustifica il sovrapprezzo. Instant Custom Voice è opportuno soltanto se un’identità personalizzata vale $60 per milione di caratteri, prima ancora delle procedure di consenso e revisione.

Gemini-TTS è un acquisto diverso. È utile quando conta il controllo dell’interpretazione tramite prompt, ma la fatturazione a token rende più difficile il confronto diretto con un contatore di caratteri. Il budget va costruito sulla durata dell’output, non soltanto sulla lunghezza del copione.

6. Azure AI Speech è la scelta per grandi volumi nello stack Microsoft

Azure AI Speech merita un posto in classifica quando l’organizzazione acquista già tramite Azure e può sfruttare un impegno elevato in caratteri, non perché il prezzo on demand sia il più conveniente.

La voce Standard Neural e Neural HD Flash on demand costa $15 per milione di caratteri, cioè 3.75 volte la tariffa Standard da $4 di Amazon Polly o Google Cloud. Il divario diminuisce con gli impegni, ma il primo contratto pubblicato parte da 80 milioni di caratteri.

Ideale per: organizzazioni Azure con leva sugli acquisti e grandi volumi prevedibili
Punto di forza: gli impegni riducono la tariffa effettiva da $15 fino a $7.50 per 1M di caratteri
Prezzi: F0 gratuito; Standard $15 per 1M di caratteri; impegni da $960
Prova gratuita: F0 include 0.5M di caratteri Neural al mese

Tutti i principali piani Azure TTS

La pagina dei prezzi Azure AI Speech riporta:

• Free F0: 0.5 milioni di caratteri Neural Text to Speech al mese.
• Standard S0: Neural e Neural HD Flash costano $15 per 1 milione di caratteri, sia per la sintesi in tempo reale sia per quella batch.
• Professional Custom Voice: la sintesi Standard costa $24 per 1 milione di caratteri. La sintesi Neural HD costa $48 per 1 milione. L’addestramento costa $52 per ora di calcolo, fino a un massimo di $936 per addestramento. L’hosting dell’endpoint costa $4.04 per modello all’ora.
• Impegno da 80 milioni di caratteri: $960, equivalenti a $12 per 1 milione.
• Impegno da 400 milioni di caratteri: $3,900, equivalenti a $9.75 per 1 milione.
• Impegno da 2 miliardi di caratteri: $15,000, equivalenti a $7.50 per 1 milione.

Il confronto on demand è semplice: Azure Standard a $15 è vicino ad AWS Neural e Google Neural2 a $16, non alla loro classe Standard da $4.

Il confronto con le voci personalizzate è diverso. Un endpoint Professional Custom Voice mantenuto attivo senza interruzioni per un mese di 30 giorni e 720 ore costa $2,908.80 prima di sintetizzare un solo carattere. Può avere senso per una voce di marca approvata e usata intensamente; è uno spreco per una narrazione occasionale.

Quando conviene Azure

Azure vince quando la voce rientra in un’architettura Microsoft esistente, l’ufficio acquisti dispone già di un accordo Azure e il volume è abbastanza prevedibile da sfruttare un impegno. Offre inoltre un modello di costo leggibile per distribuzioni Professional Custom Voice approvate.

Perde nel caso di un piccolo prodotto che cerca la base on demand più economica o di un creator a cui serve un editor, non un’infrastruttura cloud.

7. OpenAI GPT-4o mini TTS è la scelta per la voce via API guidata da prompt

OpenAI GPT-4o mini TTS è l’API più immediata quando la resa deve seguire indicazioni in linguaggio naturale e il team è a proprio agio con la fatturazione a token.

Il modello accetta istruzioni su accento, gamma emotiva, intonazione, imitazioni, velocità del parlato, tono e sussurro. L’Audio API può restituire MP3, Opus, AAC, FLAC, WAV o PCM; WAV e PCM sono consigliati per ottenere la risposta più rapida. OpenAI richiede di dichiarare chiaramente che la voce è generata dall’AI e non da una persona.

Il limite è la comparabilità dei costi. GPT-4o mini TTS addebita separatamente i token di testo in input e quelli audio in output. Una resa più lenta o più lunga cambia il costo dell’output anche se il copione resta identico. Tradurre questa tariffa in “costo per milione di caratteri” richiederebbe ipotesi che le API a caratteri non necessitano.

Ideale per: sintesi vocale guidata da prompt all’interno di un’applicazione
Punto di forza: la resa si può modellare con istruzioni in linguaggio naturale
Prezzi: $0.60 per 1M di token di testo in input più $12 per 1M di token audio in output
Prova gratuita: il livello API Free non è supportato

Prezzi, limiti e opzioni vocali attuali

La pagina del modello GPT-4o mini TTS riporta:

• Input di testo: $0.60 per 1 milione di token
• Output audio: $12 per 1 milione di token
• Input massimo: 2,000 token
• Livello di utilizzo gratuito: non supportato

La guida al text to speech definisce GPT-4o mini TTS il modello di sintesi vocale più recente e affidabile di OpenAI. Per la qualità migliore consiglia marin o cedar.

La stessa pagina pubblicata contiene una discrepanza nella documentazione. L’introduzione afferma che l’Audio API dispone di 11 voci integrate, mentre l’elenco dettagliato contiene 13 nomi: alloy, ash, ballad, coral, echo, fable, nova, onyx, sage, shimmer, verse, marin e cedar. Per scegliere una voce è meglio seguire l’elenco e considerare il conteggio precedente come testo non aggiornato.

Le voci personalizzate sono riservate ai clienti idonei. Per crearne una servono una registrazione del consenso e una registrazione campione separata; un’organizzazione può crearne al massimo 20.

Una procedura esatta per la sintesi guidata da prompt

1. 1

   Scegliere il modello attuale

   Usare gpt-4o-mini-tts. Ogni richiesta deve rispettare il massimo documentato di 2,000 token in input.

2. 2

   Scegliere la voce prima delle indicazioni

   Partire da marin o cedar, le due voci consigliate da OpenAI per la migliore qualità. Mantenere la stessa voce mentre si modifica l’istruzione interpretativa.

3. 3

   Scrivere una sola istruzione interpretativa

   Usare un’indicazione compatta, per esempio: “Parla con calma e autorevolezza, a ritmo moderato, con emozione contenuta e una breve pausa dopo il titolo di ogni sezione”. È una direzione, non la prova di un risultato generato.

4. 4

   Usare un formato adatto al montaggio

   Scegliere WAV se l’audio entrerà in una timeline di montaggio oppure PCM se un’applicazione a bassa latenza può gestire campioni grezzi. MP3 è il formato predefinito per la distribuzione generale.

5. 5

   Dichiarare e revisionare

   Informare chi ascolta che la voce è generata dall’AI, quindi confrontare l’audio con il copione approvato per individuare omissioni ed errori di pronuncia, enfasi o significato.

Il modello è pronto all’uso come motore, non come sistema editoriale completo. L’applicazione deve comunque occuparsi di gestione dei copioni, logica dei tentativi, archiviazione, riproduzione, revisione e dichiarazione.

Quanto costa un milione di caratteri

Le API con prezzo per carattere sono facili da normalizzare, perché l’unità resta costante:

• $4: Amazon Polly Standard, Google Standard e Google WaveNet
• $7.50: Azure con un impegno da 2 miliardi di caratteri
• $9.75: Azure con un impegno da 400 milioni di caratteri
• $12: Azure con un impegno da 80 milioni di caratteri
• $15: Azure Standard on demand
• $16: Amazon Polly Neural, Google Neural2 e Google Polyglot Preview
• $24: sintesi Azure Professional Custom Voice
• $30: Amazon Polly Generative e Google Chirp 3 HD
• $48: sintesi Azure Professional Custom Voice Neural HD
• $60: Google Instant Custom Voice
• $100: Amazon Polly Long-Form
• $160: Google Studio

Il livello da $4 è il riferimento di costo, non un vincitore automatico per qualità. Google Studio a $160 costa 40 volte tanto. Per giustificare la differenza, chi acquista deve ottenere un risultato d’ascolto concretamente migliore sullo stesso copione.

OpenAI e Gemini-TTS restano fuori da questa scala perché addebitano token di testo in input e token audio in output. Durata e interpretazione modificano il consumo audio. Convertire il prezzo per carattere senza fissare tokenizzazione e durata del parlato produrrebbe una precisione illusoria.

Anche le economie di lettori e studi sono diverse:

• Speechify Premium costa $348 per 12 mesi alla tariffa mensile pubblicata di $29, prima di eventuali sconti annuali separati.
• NaturalReader costa $79/anno per Lite, $119 per Plus o $159 per Pro.
• Su ElevenLabs, il costo per minuto incluso passa da $0.20 con Starter a circa $0.18 con Creator e circa $0.17 con Pro, Scale e Business, prima che altri prodotti consumino i crediti condivisi.
• La quota Starter di NaturalReader Commercial può scendere da 500,000 caratteri a 25,000 quando la voce selezionata costa 20 crediti per carattere.

Quale strumento scegliere

La regola decisionale più affidabile è ascoltare, pubblicare o sviluppare.

Scegliere Speechify per ascoltare. Vince quando il materiale segue l’utente tra dispositivi e la comodità da $29/mese vale più del risparmio annuale offerto da NaturalReader. La scelta passa a NaturalReader quando prevalgono file, OCR, annotazioni, distribuzione EDU o costo.

Scegliere NaturalReader per i documenti complessi. Free è utile, Lite aggiunge OCR e conversione MP3, mentre Plus o Pro ampliano l’accesso alle voci. Bisogna cambiare soluzione non appena l’audio deve essere distribuito: in quel caso servono NaturalReader Commercial o uno studio di produzione.

Scegliere ElevenLabs per pubblicare. Starter offre il percorso più lineare e conveniente verso licenza commerciale, Instant Voice Cloning e studio. La scelta passa a Speechify Studio se si preferisce già il suo flusso per creator, oppure a un’API cloud se la voce viene generata automaticamente su scala di prodotto.

Scegliere Amazon Polly per sviluppare con costi bassi e prevedibili. È il riferimento per un team AWS. Google diventa preferibile se serve una gamma di modelli più ampia, Azure quando contano acquisti Microsoft e impegni su grandi volumi, OpenAI se la caratteristica decisiva è dirigere l’interpretazione in linguaggio naturale.

Scegliere Google Cloud per la varietà dei modelli. Standard e WaveNet coprono il riferimento da $4, Neural2 la fascia da $16, Chirp quella da $30 e Studio quella da $160. Conviene cambiare quando tanta varietà genera più lavoro di acquisto e valutazione che valore.

Scegliere Azure per volumi aziendali impegnati. Standard on demand a $15 non è l’opzione più economica. L’offerta migliora impegnando 80 milioni, 400 milioni o 2 miliardi di caratteri.

Scegliere OpenAI per la voce applicativa guidata da prompt. Vince quando l’istruzione interpretativa è una funzione del prodotto. Un’API a caratteri è preferibile se l’economia unitaria prevedibile conta più della flessibilità di resa.

Le opzioni da evitare

I prodotti e i piani seguenti non sono necessariamente scadenti. Diventano acquisti sbagliati in una condizione precisa.

Evitare Speechify Reader e NaturalReader Personal per l’output commerciale. Entrambi possono generare audio, ma nessun abbonamento a pagamento dei rispettivi lettori trasforma l’ascolto personale in una licenza di distribuzione commerciale.

Evitare i piani gratuiti per creator nei lavori destinati ai clienti, se i diritti commerciali non sono espliciti. Speechify Studio Free non include diritti di utilizzo commerciale. ElevenLabs aggiunge la licenza commerciale con Starter. Provare gratuitamente un flusso non autorizza a pubblicare il risultato.

Mettere in attesa PlayHT quando la trasparenza dei prezzi è un criterio decisivo. Al momento del blocco dei dati richiesto per questo confronto, il suo URL ufficiale dei prezzi non restituiva una tabella pubblica utilizzabile. Un confronto commerciale non dovrebbe colmare il vuoto con prezzi di terze parti memorizzati nella cache.

Indirizzare chi valuta Murf alla categoria degli studi creativi. La pagina attuale di Murf presenta Free, Creator a $19/mese con $228 fatturati annualmente, Business a $66/mese con $792 fatturati annualmente ed Enterprise. Il confronto più appropriato è con altri studi di produzione nella guida ai generatori vocali AI, non con i lettori di documenti.

Evitare di scegliere in base al numero di voci. Speechify dichiara più di 1,000 voci, OpenAI elenca 13 nomi e i provider cloud offrono famiglie di modelli invece di un’unica dimensione della libreria. Nessuno di questi conteggi dimostra pronuncia, coerenza sulle lunghe durate o adeguatezza al proprio copione.

Evitare di distribuire una voce personalizzata senza un registro delle autorizzazioni. OpenAI richiede una registrazione del consenso e un campione separato per le voci personalizzate. Lo stesso standard operativo dovrebbe valere per ogni provider: registrare chi possiede la fonte, che cosa può dire il clone, dove può essere usato e quando termina l’autorizzazione.

Domande frequenti

Qual è il miglior strumento text to speech gratis?

NaturalReader è il miglior lettore gratuito di documenti in questo gruppo. Free include voci base illimitate, 20,000 caratteri Lite Voice al giorno e 4,000 caratteri condivisi tra Plus Voice e Cloned Voice al giorno, ma non la conversione MP3 o l’OCR. Speechify Free è la prova più semplice tra dispositivi, con dieci voci base e riproduzione fino a 1.5x.

Qual è la migliore app text to speech?

Speechify è la migliore app text to speech per gran parte dell’ascolto personale, grazie a copertura dei dispositivi, integrazioni cloud, Scan & Listen e riproduzione fino a 5x. NaturalReader offre un valore migliore quando OCR, gestione dei file, annotazioni e un piano annuale da $79 a $159 contano di più.

Qual è il miglior strumento text to speech per studenti?

NaturalReader è l’opzione più solida per studenti e scuole. I piani Personal a pagamento gestiscono formati comuni, OCR, annotazioni, pronuncia e Smart Filter, mentre Premium EDU e Plus EDU pubblicano fasce di prezzo dai piccoli gruppi fino a oltre 50 utenti. La licenza di sito parte da 2,000 utenti iscritti.

L’audio text to speech si può usare a fini commerciali?

Sì, se il piano specifico concede l’uso commerciale e sono stati autorizzati sia il copione sia la voce sorgente. ElevenLabs Starter, Speechify Studio Starter e NaturalReader Commercial dichiarano percorsi commerciali; Speechify Reader e NaturalReader Personal no.

Quanto costa il text to speech di OpenAI?

GPT-4o mini TTS costa $0.60 per 1 milione di token di testo in input più $12 per 1 milione di token audio in output. Il livello API Free non è supportato e ogni richiesta accetta fino a 2,000 token in input.

Quanto costa il text to speech di Amazon Polly?

Amazon Polly costa $4 per 1 milione di caratteri con le voci Standard, $16 con Neural, $30 con Generative e $100 con Long-Form. Negli esempi di AWS, 1 milione di caratteri corrisponde a circa 23 ore e otto minuti di parlato.

Quanto costa Google Cloud Text-to-Speech?

Dopo l’utilizzo gratuito, Google parte da $4 per 1 milione di caratteri con Standard e WaveNet. Neural2 e Polyglot costano $16, Chirp 3 HD $30, Instant Custom Voice $60 e Studio $160. Gemini-TTS addebita separatamente token di testo in input e token audio in output.

Quanto costa il text to speech di Azure?

Azure F0 include 0.5 milioni di caratteri Neural al mese. Standard Neural e Neural HD Flash on demand costano $15 per 1 milione di caratteri. Gli impegni riducono la tariffa effettiva a $12, $9.75 o $7.50 per milione con 80 milioni, 400 milioni o 2 miliardi di caratteri impegnati.

Text to speech e speech to text sono la stessa cosa?

No. Il text to speech trasforma il testo scritto in audio; lo speech to text converte l’audio parlato in testo scritto. Un assistente vocale può usarli entrambi, ma risolvono conversioni opposte e vengono fatturati separatamente.

Si può convertire testo in voce online gratis?

Sì. Speechify e NaturalReader offrono entrambi accesso gratuito dal browser, mentre ElevenLabs propone un piano Free per creator. Limiti e diritti cambiano: NaturalReader Free non esporta MP3, Speechify Reader non autorizza la distribuzione commerciale senza permesso ed ElevenLabs include la licenza commerciale a partire da Starter.

Scarica la checklist per verificare i workflow AI aziendali e documenta testo sorgente, diritti di utilizzo, piano tariffario, voce, dichiarazione, responsabile della revisione e approvazione finale prima che l’audio generato entri in una campagna o in un prodotto live.