Immagini, audio e video: l'AI multimediale

Fino a poco fa, l'AI era sinonimo di testo. Chatbot, traduttori, riassuntori — tutto parole. Oggi l'AI vede, disegna, parla, ascolta e crea video. L'era multimediale dell'AI è già qui, e cambia le regole del gioco.

Come l'AI genera immagini

Quando chiedi a Midjourney di creare "un gatto astronauta su Marte al tramonto", il modello non cerca in un archivio di immagini. Ne crea una nuova, che non è mai esistita prima. Come?

Il metodo dominante oggi si chiama diffusion (diffusione). Il concetto è sorprendentemente elegante:

Fase di addestramento: prendi milioni di immagini. Per ognuna, aggiungi rumore progressivamente — come se la foto diventasse sempre più sfocata fino a diventare puro rumore statico, come la neve di un televisore senza segnale. Il modello impara a invertire questo processo: dato il rumore, ricostruire l'immagine.

Fase di generazione: parti da rumore puro (pixel casuali) e chiedi al modello di "togliere il rumore" passo dopo passo, guidato dal tuo prompt testuale. A ogni passaggio l'immagine diventa più definita, più coerente, finché emerge un'immagine completa dal nulla.

L'analogia: è come uno scultore che parte da un blocco di marmo informe (il rumore) e toglie materiale fino a far emergere la statua (l'immagine). Il prompt è il progetto dello scultore.

I protagonisti della generazione di immagini

Midjourney. Noto per la qualità estetica. Produce immagini artistiche, atmosferiche, con un'identità visiva riconoscibile. Funziona via Discord o tramite il sito web. È a pagamento.

DALL-E (OpenAI). Integrato in ChatGPT. Buono per immagini fotorealistiche e illustrazioni. Comodo perché lo usi direttamente nella chat — descrivi cosa vuoi e lui genera.

Stable Diffusion / Flux. Open source. Puoi farlo girare sul tuo computer, personalizzarlo, addestrarlo su stili specifici. Più tecnico ma più flessibile. Gratis.

Ideogram. Eccellente con il testo nelle immagini — un punto debole storico degli altri modelli. Se ti serve un'immagine con scritte leggibili, è la scelta migliore.

La qualità è migliorata in modo impressionante. Le immagini generate nel 2022 avevano dita strane e occhi inquietanti. Quelle del 2025 sono spesso indistinguibili da foto reali. Il progresso è stato brutale.

Il prompt per le immagini

Scrivere prompt per la generazione di immagini è diverso da scrivere prompt per il testo. Conta molto di più la descrizione visiva: composizione, luce, stile, colori, punto di vista.

Un prompt vago come "un cane" ti dà un risultato generico. Un prompt dettagliato produce qualcosa di specifico:

"A golden retriever sitting on a wooden dock at sunset, warm orange light, reflection on calm lake water, shot from low angle, photorealistic, shallow depth of field, Canon EOS R5 style"

Alcuni principi:

• Soggetto chiaro: cosa c'è nell'immagine
• Ambiente: dove, che luce, che ora del giorno
• Stile: fotorealistico, illustrazione, acquerello, cyberpunk, minimal
• Composizione: angolazione, distanza, fuoco
• Dettagli tecnici: tipo di fotocamera, lente, profondità di campo (per risultati fotorealistici)

I prompt negativi sono altrettanto utili: "no text, no watermark, no blurry, no extra fingers" aiutano a evitare artefatti comuni.

Text-to-Speech: l'AI che parla

I modelli Text-to-Speech (TTS) convertono testo scritto in voce parlata. La tecnologia è esplosa: le voci sintetiche di oggi sono praticamente indistinguibili da quelle umane.

ElevenLabs è il leader attuale. Può clonare una voce da pochi secondi di audio e generare discorsi completi in quella voce, con emozioni, pause e inflessioni naturali. Supporta decine di lingue, incluso l'italiano.

OpenAI TTS è integrato in ChatGPT (la modalità vocale). Puoi letteralmente parlare con l'AI e lei ti risponde a voce, in tempo reale, con un tono conversazionale naturale.

Google TTS e Amazon Polly sono più orientati agli sviluppatori, con API per integrare voci sintetiche nelle applicazioni.

I casi d'uso sono enormi: audiolibri generati automaticamente, doppiaggio in tempo reale, assistenti vocali, accessibilità per non vedenti, podcast automatici.

Il rovescio della medaglia: la stessa tecnologia può essere usata per creare deepfake audio — falsificare la voce di qualcuno in modo convincente. Torneremo su questo nel capitolo sull'etica.

Speech-to-Text: l'AI che ascolta

Il processo inverso: convertire audio parlato in testo scritto. È la tecnologia dietro la dettatura del telefono, i sottotitoli automatici di YouTube, e la trascrizione delle riunioni.

Whisper di OpenAI è il modello open source di riferimento. Supporta quasi 100 lingue, funziona offline, ed è sorprendentemente accurato anche con accenti, rumori di fondo e sovrapposizioni di voci.

Otter.ai è un servizio popolare per trascrivere riunioni in tempo reale, con identificazione dei parlanti.

Il salto di qualità rispetto a pochi anni fa è enorme. La dettatura del 2018 faceva errori imbarazzanti. Quella del 2025 è più accurata di molti trascrittori umani.

Video generati dall'AI

La generazione di video è l'ultima frontiera. Fino al 2023 i video generati dall'AI duravano pochi secondi, tremolanti e surreali. Oggi si parla di clip realistiche di 30-60 secondi, con movimenti di camera coerenti.

I player principali:

Sora 2 (OpenAI). Genera video da prompt testuali con qualità cinematografica. Supporta clip più lunghe e coerenza temporale migliorata rispetto alla prima versione.

Runway. Uno dei pionieri. Offre generazione video, editing assistito dall'AI, e strumenti professionali per filmmaker. Il più accessibile per chi vuole provare.

Kling e Hailuo. Modelli cinesi che hanno raggiunto rapidamente livelli qualitativi altissimi, spesso superiori ai concorrenti occidentali.

Veo 3 (Google). Integrato nell'ecosistema Google e presentato al Google I/O 2026, con miglioramenti significativi su realismo e coerenza dei movimenti.

Lo stato attuale: i video generati sono impressionanti per clip brevi e scene specifiche, ma hanno ancora limiti evidenti per contenuti lunghi, coerenza temporale (oggetti che cambiano forma tra un frame e l'altro) e realismo dei movimenti umani. Siamo all'inizio, ma il progresso è velocissimo.

AI che capisce le immagini

Non è solo generazione — l'AI sa anche analizzare contenuti visivi. Questa capacità si chiama "vision" ed è integrata nei principali modelli.

Cosa puoi fare oggi:

• Descrivere foto: carichi un'immagine e l'AI descrive cosa vede, in dettaglio
• Analizzare grafici: carichi un grafico e l'AI estrae dati, trend, insight
• Leggere documenti: carichi un PDF scansionato, un menu, una ricevuta — l'AI legge il testo (OCR avanzato)
• Identificare oggetti: "Cos'è questa pianta?", "Che razza è questo cane?"
• Analizzare codice da screenshot: carichi uno screenshot di codice e l'AI lo legge e lo corregge
• Confrontare immagini: "Quali sono le differenze tra queste due versioni del logo?"

GPT-5.5, Claude 4.6 e Gemini hanno tutti capacità vision integrate. Basta allegare un'immagine alla chat e fare domande su di essa.

Al Google I/O 2026, Google ha presentato Gemini Omni: il primo modello che genera nativamente qualsiasi tipo di output da qualsiasi tipo di input — testo, immagini, audio e video — in un'unica architettura unificata, senza pipeline separate per ogni modalità. È il segnale più chiaro che la multimodalità nativa è la direzione di tutto il settore.

Audio generato: musica e suoni

L'AI non genera solo voci — crea anche musica originale.

Suno e Udio sono i principali generatori musicali. Dai un prompt testuale ("una canzone pop allegra in italiano sull'estate, con chitarra acustica e beat elettronico") e in pochi secondi hai una canzone completa con voce, strumenti e struttura musicale.

La qualità è sorprendente — abbastanza buona per un jingle, una colonna sonora di un video, o un sottofondo. Non sostituisce (ancora) un musicista professionista per produzioni di alto livello, ma per contenuti social, presentazioni e progetti personali è già più che sufficiente.

Il problema del copyright

Tutti questi modelli sono stati addestrati su opere create da umani: foto, illustrazioni, musica, video. Molti artisti non hanno dato il consenso e non ricevono compensi. Questo ha generato cause legali e un dibattito acceso.

Alcuni punti chiave:

• Getty Images ha fatto causa a Stability AI per l'uso non autorizzato delle sue foto
• Il New York Times ha fatto causa a OpenAI per l'uso dei suoi articoli
• Molti artisti usano strumenti come Glaze e Nightshade per proteggere le loro opere dall'essere usate per l'addestramento
• La legislazione è in evoluzione: l'EU AI Act richiede trasparenza sui dati di addestramento

Non esiste ancora una risposta definitiva. Il tema è complesso e ne parliamo in dettaglio nel capitolo sull'etica.

In pratica 🎯

Prova la generazione di immagini con prompt progressivi:

1. Vai su ChatGPT (con DALL-E) o Ideogram (gratuito)
2. Genera un'immagine con un prompt semplice: "a cat"
3. Ora aggiungi dettagli: "a black cat sitting on a windowsill, rainy day outside, moody blue lighting, watercolor style"
4. Prova un prompt ancora più specifico: "a black cat sitting on a Victorian windowsill, rain drops on the glass, soft blue and grey tones, watercolor illustration, studio Ghibli style, warm indoor lighting, books on the windowsill"
5. Confronta i tre risultati

Nota come ogni livello di dettaglio nel prompt ti dà più controllo sul risultato. Il principio è lo stesso del prompting testuale: più sei specifico, più ottieni quello che vuoi.

Risorse correlate

• 📖 Glossario: Diffusion, Text-to-Image, Text-to-Speech, Speech-to-Text, Multimodale, Vision, Deepfake
• 📄 Doc: ChatGPT (DALL-E), Midjourney
• 🔧 Tool: Midjourney, DALL-E, Stable Diffusion, ElevenLabs, Suno, Runway