Tts Voiceover

TTS Voiceover + Music Generation

Skill per generare audio AI usando Google Gemini 2.5 Flash TTS e Lyria 3 music generation. Perfetto per video Remotion, spot pubblicitari, e produzioni multimediali.

Setup

1. Installa dipendenze

cd tools/video
pip3 install -r requirements.txt

2. Configura API key

Aggiungi in tools/video/.env:

GOOGLE_AI_STUDIO_API_KEY=your_key_here

Ottieni la key: https://aistudio.google.com/apikey

Verificare setup:

python3 tools/video/tts-generate.py --help
python3 tools/video/music-generate.py --help

TTS Voiceover Generation

CLI di base

python3 tools/video/tts-generate.py --text "..." [opzioni]

Parametri

Voci disponibili

Modello fisso: gemini-2.5-flash-preview-tts

Esempi di utilizzo

Voiceover neutro per sito istituzionale

python3 tools/video/tts-generate.py \
  --text "Benvenuti da Terra e Mare. Cucina di mare, vista sul Garda." \
  --voice Aoede \
  --output voiceover-intro.wav

Spot automotive (tono autorevole)

python3 tools/video/tts-generate.py \
  --text "Noleggio a lungo termine. Zero anticipo. Solo libertà." \
  --voice Charon \
  --output voiceover-auto.wav

Food & Hospitality (caldo e accogliente)

python3 tools/video/tts-generate.py \
  --text "Ogni piatto racconta una storia. Vieni a scoprirla." \
  --voice Kore \
  --output voiceover-food.wav

Tech startup (energica e dinamica)

python3 tools/video/tts-generate.py \
  --text "Trasforma il tuo team in una forza digitale." \
  --voice Puck \
  --output voiceover-tech.wav

Fitness / Sports (forte e motivazionale)

python3 tools/video/tts-generate.py \
  --text "Il tuo corpo è capace di cose incredibili. Scopri quanto lontano puoi arrivare." \
  --voice Fenrir \
  --output voiceover-fitness.wav

Script writing best practices per TTS

Le voci AI rendono meglio se il testo è scritto pensando alla prosodia naturale.

1. Frasi brevi

❌ MALE (troppo lungo):
"Siamo leader globali nel fornire soluzioni innovative che trasformano il modo in cui le aziende operano nel mercato contemporaneo."

✅ BUONO (brevi, scandite):
"Siamo leader globali.
Forniamo soluzioni innovative.
Trasformiamo il modo di operare delle aziende."

Regola: max 15 parole per frase.

2. Punteggiatura per le pause

✅ BUONO:
"Ogni piatto racconta una storia. [pausa lunga]
Vieni a scoprirla. [pausa breve, aspetta risposta visiva]
Da Terra e Mare."

• Virgola (,) = pausa breve (200ms)
• Punto (.) = pausa lunga (400ms)
• Ellissi (...) = pausa drammatica (600ms)

3. Scrivi per l'orecchio, non per l'occhio

❌ FORMALE:
"L'azienda fornisce servizi di consulenza IT per PMI con fatturato > 5M€."

✅ NATURALE:
"Aiutiamo le piccole e medie aziende a crescere con la tecnologia."

Evita:

• Abbreviazioni (IT, PMI, CEO) → scrivi per esteso
• Acronimi → pronuncia lettere per lettere = distrazione
• Numeri in cifre → scrivi in lettere ("ventimila euro" non "20.000€")
• Troppa punteggiatura tecnica → usa punti e virgole solo dove serve

4. Ritmo e velocità

Circa 3 parole al secondo per la voce naturale:

• 30 parole ≈ 10 secondi
• 60 parole ≈ 20 secondi
• 90 parole ≈ 30 secondi

Per calcolare: word count / 3 = secondi approssimativi.

5. Tono per brand

Charon (luxury/finance):
"Gestisci il tuo patrimonio con discrezione e competenza."

Kore (food/wellness):
"Ogni ingrediente, scelto con amore per te."

Fenrir (sport/energy):
"Niente è impossibile. Inizia oggi."

Puck (tech/startup):
"Code faster. Ship smarter. Scale better."

Music Generation (Lyria 3)

CLI di base

python3 tools/video/music-generate.py --prompt "..." [opzioni]

Parametri

Modelli

Formula prompt musicale

Struttura vincente: [strumento], [mood/atmosfera], [contesto], [ritmo/tempo]

Esempi compilati:

Ristorante / Dinner ambience

python3 tools/video/music-generate.py \
  --prompt "acoustic guitar, warm and relaxed, dinner atmosphere, slow tempo" \
  --duration 30 \
  --output bg-restaurant.wav

Intro energica per video

python3 tools/video/music-generate.py \
  --prompt "electronic synth, energetic intro, tech startup, punchy beats, 10 seconds" \
  --model lyria-3-clip-preview \
  --duration 10 \
  --output intro-energetic.wav

Luxury / Automotive cinematic

python3 tools/video/music-generate.py \
  --prompt "orchestral strings, cinematic, luxury brand, elegant and powerful, dramatic" \
  --duration 20 \
  --output bg-luxury.wav

Wellness / Spa

python3 tools/video/music-generate.py \
  --prompt "ambient piano, calm and soothing, spa atmosphere, minimal beats" \
  --duration 45 \
  --output bg-spa.wav

Corporate / B2B background

python3 tools/video/music-generate.py \
  --prompt "light electronic, professional, business presentation, steady rhythm" \
  --duration 60 \
  --output bg-corporate.wav

Fitness / Motivational

python3 tools/video/music-generate.py \
  --prompt "hip-hop beat, energetic and powerful, gym workout, strong bass, motivational" \
  --duration 30 \
  --output bg-fitness.wav

Prompt engineering tips

1. Sii specifico: non "musica bella", ma "piano lento con violini ambient"
2. Contesto aiuta: "spotify playlist per cena" vs "dinner background"
3. Mood + Strumento: "sad electronic" vs "upbeat acoustic"
4. Durata nel prompt: "10 seconds intro" produce output migliore che non specificarla
5. Test clip prima: usa lyria-3-clip-preview + 10-15s per testare veloce, poi genera full con pro

Integrazione con Remotion

Aggiungere audio a Remotion composition

import { Audio, staticFile } from "remotion";

export const MyComposition = () => {
  return (
    <div>
      {/* Solo musica di sottofondo (volume basso) */}
      <Audio 
        src={staticFile("audio/background-music.wav")} 
        startFrom={0} 
        volume={0.2} 
      />
      
      {/* Voiceover (volume alto) */}
      <Audio 
        src={staticFile("audio/voiceover.wav")} 
        startFrom={0} 
        volume={1} 
      />
    </div>
  );
};

Entrambi insieme (mixing)

<>
  {/* Background music sotto */}
  <Audio 
    src={staticFile("audio/background.wav")} 
    volume={0.25}      // 25% volume per la musica
    startFrom={0} 
  />
  
  {/* Voiceover sopra */}
  <Audio 
    src={staticFile("audio/voice.wav")} 
    volume={0.95}      // 95% volume per la voce
    startFrom={2}      // Inizia a 2 secondi
  />
</>

Sincronizzazione timing

Se voiceover dura 20s e musica 30s:

// Voiceover: 0-20s
// Musica: 0-30s (continua sotto)
// Silenzio: 20-30s (solo musica)

<Audio src={staticFile("music.wav")} volume={0.3} startFrom={0} />
<Audio src={staticFile("voice.wav")} volume={1} startFrom={0} />

Output conventions

File structure

tools/video/
├── output/
│   ├── voiceover_20250417_143022.wav      (TTS output con timestamp)
│   ├── voiceover_20250417_143022.json     (metadata TTS)
│   ├── music_20250417_143456.wav          (Lyria output)
│   ├── music_20250417_143456.json         (metadata Lyria)
│   └── ...

Metadata JSON (auto-generato)

Ogni output genera un JSON con:

{
  "type": "tts" | "music",
  "timestamp": "2025-04-17T14:30:22Z",
  "prompt": "full text/prompt usato",
  "model": "gemini-2.5-flash-preview-tts" | "lyria-3-pro-preview",
  "voice": "Aoede" | null,
  "duration_seconds": 10,
  "parameters": {
    "text": "...",
    "voice": "Aoede",
    "output": "voiceover.wav"
  }
}

Conversione WAV → MP3

Se serve MP3 per distribuzione web:

ffmpeg -i output/voiceover.wav -q:a 2 output/voiceover.mp3

Integrazione con Kling (alternative)

Per audio ambientale sincronizzato direttamente su video breve:

python3 tools/video/kling-generate.py \
  --image foto.jpg \
  --prompt "restaurant ambience, people chatting softly, clinking glasses" \
  --audio

Quando usare:

• ✅ Video breve (≤10s) con audio ambientale naturale
• ✅ Vuoi sincronizzazione perfetta audio-video
• ❌ Voiceover narrativo (usa TTS)
• ❌ Musica di sottofondo lunga (usa Lyria)

Workflow esempio completo

Scenario: Video promo ristorante (30 secondi)

1. Genera voiceover narrativo

python3 tools/video/tts-generate.py \
  --text "Terra e Mare. Dove il mare incontra la tradizione. Cucina fresca, vista sul Garda, atmosfera unica." \
  --voice Kore \
  --output voiceover-promo.wav

Output: ~15 secondi

2. Genera musica di sottofondo (Lyria)

python3 tools/video/music-generate.py \
  --prompt "acoustic guitar with Italian mandolin, warm and inviting, dinner atmosphere, slow tempo, 30 seconds" \
  --duration 30 \
  --output bg-music-promo.wav

3. Mixare in Remotion

export const RestaurantPromo = () => {
  return (
    <div style={{ width: "100%", height: "100%" }}>
      {/* Background music */}
      <Audio 
        src={staticFile("bg-music-promo.wav")} 
        volume={0.25} 
        startFrom={0} 
      />
      
      {/* Voiceover starts at 3 seconds for visual build-up */}
      <Audio 
        src={staticFile("voiceover-promo.wav")} 
        volume={1} 
        startFrom={3} 
      />
      
      {/* Rest of video composition... */}
    </div>
  );
};

4. Esporta video finale

npx remotion render RestaurantPromo output/promo.mp4

Troubleshooting

Risorse

• Google AI Studio API docs
• Lyria Music Generation guide
• Remotion Audio docs
• TTS Best Practices