Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Formati audio e ottimizzazione

Lezione 14 di 14 Aggiornata il 29 luglio 2026 Intermedio
In questa pagina
  1. Scegli il formato giusto per ogni contesto
  2. Codec supportati
  3. Frequenze di campionamento
  4. Bit rate MP3
  5. Convertire l’audio in Python
  6. Ottimizza per la destinazione
  7. Gestire la memoria nel browser
  8. Interpretare i codici di errore TTS
  9. Punti chiave
  10. Verifica la tua comprensione

Scegli il formato giusto per ogni contesto

Il formato audio è una di quelle impostazioni che sbrighi all’inizio per poi rimpiangerle in seguito. Eppure, determina la qualità percepita, la banda consumata da ogni ascolto e la compatibilità con la tua piattaforma di destinazione. Un podcast distribuito come PCM grezzo fa esplodere i costi di distribuzione, mentre uno stream telefonico a 24.000 Hz subisce una transcodifica lungo il percorso, con tutto il degrado che ne consegue. Questa lezione passa in rassegna i formati disponibili e come scegliere tra di essi.

Codec supportati

CodecTipo MIMECompressioneUtilizzo principale
mp3audio/mpegLossyWeb, mobile, podcast
wavaudio/wavLosslessPost-produzione, archiviazione
pcmaudio/pcmNessuna (grezzo)Pipeline audio, Voice Agent
mulawaudio/basicLogaritmicaTelefonia (Americhe, Giappone)
alawaudio/alawLogaritmicaTelefonia (Europa, internazionale)

L’MP3 copre la maggior parte della distribuzione consumer. Il WAV serve per l’audio che deve ancora essere modificato o che deve essere mantenuto senza perdita. Il PCM è il formato di scambio delle pipeline in tempo reale, incluso il Voice Agent, perché non ha alcun costo di decodifica. Mu-law e A-law esistono solo per la telefonia e non hanno motivo di apparire altrove.

Frequenze di campionamento

La frequenza di campionamento definisce la granularità del segnale: più è alta, migliori sono le alte frequenze riprodotte, ma più grande diventa il file.

Frequenza di campionamentoQualitàUtilizzo
8.000 HzTelefoniaVoIP, SIP, G.711
16.000 HzVoce widebandTrascrizione, riconoscimento vocale
22.050 HzRadio FMPodcast, notifiche
24.000 HzStandard TTS (predefinito)Uso generale
44.100 HzAudio CDProduzione musicale, audiolibri
48.000 HzVideo/broadcastPost-produzione, broadcasting

In pratica, tre casi risolvono la questione. La telefonia richiede 8.000 Hz, senza discussioni: è ciò che exige G.711. Web e mobile vanno bene con il predefinito di 24.000 Hz, il miglior equilibrio tra qualità e banda per la voce. Il lavoro di produzione, come un audiolibro o una colonna sonora video, giustifica 44.100 o 48.000 Hz, perché il file verrà mixato, normalizzato e possibilmente ricodificato, e ogni passo erode un po’ di qualità.

Bit rate MP3

Con il codec MP3, il bit rate imposta la compressione e quindi la dimensione finale del file.

Bit rateQualitàDimensione per 1 min
32.000 bpsBassa~240 KB
64.000 bpsMedia~480 KB
96.000 bpsBuona~720 KB
128.000 bps (predefinito)Molto buona~960 KB
192.000 bpsEccellente~1,4 MB

La voce occupa solo una piccola parte dello spettro: 128 kbps la riproducono già molto bene, e salire a 192 kbps rende il tuo catalogo pesante della metà senza che nessun ascoltatore percepisca la differenza sui contenuti parlati. Riserva quel livello superiore per produzioni premium o passaggi musicali.

Convertire l’audio in Python

Il Voice Agent fornisce PCM grezzo codificato in base64 e due conversioni si presentano in quasi ogni progetto. La prima trasforma quel flusso in un array numpy normalizzato tra -1 e 1, il formato che la maggior parte delle librerie di elaborazione del segnale si aspetta, e fa il percorso inverso per inviare l’audio di nuovo alle API.

import base64
import numpy as np

def base64_to_audio(base64_audio: str) -> np.ndarray:
    audio_bytes = base64.b64decode(base64_audio)
    audio_int16 = np.frombuffer(audio_bytes, dtype=np.int16)
    return audio_int16.astype(np.float32) / 32768.0

def audio_to_base64(audio_data: np.ndarray) -> str:
    audio_int16 = (audio_data * 32767).astype(np.int16)
    return base64.b64encode(audio_int16.tobytes()).decode("utf-8")

La seconda incapsula il PCM in un contenitore WAV. Senza quell’intestazione, un lettore audio non sa né quanti canali né quale frequenza di campionamento assumere, e rifiuterà il file o lo riprodurrà alla velocità sbagliata.

import wave

def pcm_to_wav(pcm_data: bytes, sample_rate: int = 24000) -> bytes:
    import io
    buffer = io.BytesIO()
    with wave.open(buffer, "wb") as wf:
        wf.setnchannels(1)
        wf.setsampwidth(2)  # 16-bit
        wf.setframerate(sample_rate)
        wf.writeframes(pcm_data)
    return buffer.getvalue()

Ottimizza per la destinazione

Per un’app web, attieniti a MP3 a 128 kbps a 24.000 Hz per il TTS e PCM a 24.000 Hz per il Voice Agent, che richiede lo streaming bidirezionale. Converti le tue risorse audio statiche, come jingle e messaggi preregistrati, in MP3 una volta per tutte invece di servire WAV a ogni visitatore.

Per la telefonia, rimani strettamente su G.711 a 8.000 Hz e configura il Voice Agent direttamente in quel formato: qualsiasi transcodifica in tempo reale aggiunge latenza dove non ne hai da spare.

Per l’archiviazione, tieni separati archiviazione e distribuzione: il master rimane in WAV a 24.000 Hz, pronto per essere rielaborato, e distribuisci MP3 a 128 kbps, che è molto più leggero. Stesso contenuto, due file, due scopi.

Gestire la memoria nel browser

Durante la riproduzione in streaming, ogni chiamata a URL.createObjectURL riserva memoria che il browser non libera da solo. Nel corso di una sessione lunga, questi URL si accumulano fino a rallentare la scheda fino all’arresto. Revoca quello precedente prima di crearne uno nuovo:

let currentBlobUrl = null;

function playAudioChunk(base64Data) {
  // Libera l'URL precedente
  if (currentBlobUrl) {
    URL.revokeObjectURL(currentBlobUrl);
  }

  const audioBuffer = Uint8Array.from(atob(base64Data), c => c.charCodeAt(0));
  const blob = new Blob([audioBuffer], { type: "audio/pcm" });
  currentBlobUrl = URL.createObjectURL(blob);
  // Riproduci l'audio...
}

Interpretare i codici di errore TTS

CodiceSignificatoAzione
200SuccessoAudio nel corpo della risposta
400Richiesta non validaControlla il testo, il codec e la frequenza di campionamento
401Non autorizzatoControlla la chiave API
429Quota superataImplementa un backoff esponenziale
500/503Errore serverRiprova con backoff

Gli errori 400 si risolvono nel tuo codice e non spariranno da soli: derivano da un parametro incompatibile, tipicamente una frequenza di campionamento che il codec scelto non accetta. Gli errori 429 e 5xx, d’altra parte, richiedono la stessa risposta: backoff esponenziale, con ritardi che raddoppiano a ogni tentativo. Un ciclo di retry immediato peggiora solo le cose martellando la quota che hai appena superato.

Punti chiave

  • Sono disponibili cinque codec: MP3, WAV, PCM, mu-law e A-law, ognuno adatto a un contesto specifico
  • La frequenza di campionamento predefinita è 24.000 Hz; usa 8.000 Hz per la telefonia e 44.100 Hz o superiore per la produzione
  • L’MP3 a 128 kbps offre il miglior compromesso qualità-dimensione per la voce parlata
  • Gestisci gli URL Blob nel browser per evitare perdite di memoria
  • Implementa un backoff esponenziale per gestire gli errori 429 (limitazione della velocità) e 5xx

Verifica la tua comprensione

Voice Agent e TTS: voce da capo a fondo, in cinque domande.

1. Come funziona una sessione Voice Agent?

Risposta: Tramite un WebSocket in tempo reale. Configuri la sessione (voce, personalità, istruzioni), poi gli eventi fluiscono in entrambe le direzioni: l’audio dell’utente in una direzione, le risposte parlate dell’agente nell’altra.

2. Cosa rende possibile il function calling nella voce?

Risposta: L’agente vocale chiama i tuoi strumenti a metà conversazione per consultare un account, effettuare una prenotazione o intraprendere un’azione. La voce diventa un’interfaccia completa, non solo una macchina per la dettatura.

3. Cosa aggiungono i tag espressivi TTS?

Risposta: Controllo sul parlato: intonazione, pause, enfasi. La sintesi smette di suonare monotona e segue l’intento del testo, in ogni lingua supportata.

4. Perché i token effimeri sono importanti?

Risposta: Permettono al client (browser o app mobile) di connettersi al servizio vocale senza esporre la tua chiave API principale. Le credenziali sono di breve durata, limitate a una sessione vocale e scadono da sole, ed è questo che rende sicura la voce in tempo reale.

5. Cosa ti permettono di controllare i formati audio?

Risposta: Il compromesso tra qualità, latenza e banda: scegliere il formato e la frequenza di campionamento adatti al canale (web, telefonia SIP, LiveKit). È l’ottimizzazione che ti porta al traguardo.

Sessione, strumenti, espressività, sicurezza, formati: l’assistente vocale completo in questo corso riunisce tutti e cinque, e il tuo seguirà lo stesso piano.