Guida completa a Descript e video generativo 2026

Montaggio dalla trascrizione, Underlord, clonazione vocale, doppiaggio in oltre trenta lingue, costi reali e confronto con le alternative

Descript ha costruito la propria fortuna su un'intuizione che sembra ovvia solo dopo averla vista: se il video è parlato, allora il montaggio è un lavoro di testo. Si trascrive, si cancella una frase dal documento e la frase sparisce anche dal video. Chi monta podcast, interviste, videocorsi o contenuti a camera fissa lavora così da anni, e nel 2026 quella intuizione si è allargata fino a comprendere un assistente AI che monta per conto suo, la clonazione della voce per correggere una parola sbagliata senza rientrare in sala, e il doppiaggio automatico in più di trenta lingue.

Questa guida percorre la piattaforma per intero: che cosa fa davvero e che cosa non fa, come funziona Underlord, che cosa significa "generativo" in un prodotto che nasce come editor, quanto si paga sul serio fra canone, ore di media e crediti AI, con quali alternative va confrontato, come si costruisce un metodo di lavoro che regge su commessa e dove sta andando il settore. Una precisazione utile fin dalla prima riga, perché evita di cercare in Descript quello che non c'è: non è un generatore di video da testo. Non scrivete un prompt e ottenete una scena. La parte generativa serve ad altro — voce, avatar, materiale di riempimento, lingue — e più avanti vediamo esattamente dove sta.

Che cos'è Descript, e che cosa non è

Descript è un editor di video e audio in cui il documento principale non è una timeline ma una trascrizione. Registra, trascrive, e da quel momento il testo e il montato restano legati: tagliare, spostare, riordinare si fanno sulle parole. La timeline esiste e si usa per il lavoro fine, ma non è il punto di ingresso.

L'idea di fondo: il montaggio come documento

Il vantaggio è tutto qui e va capito bene, perché decide se lo strumento fa per voi. Su un'intervista di quaranta minuti, trovare il passaggio da togliere scorrendo una forma d'onda costa tempo; trovarlo leggendo una pagina costa quanto leggere. Chi lavora sul parlato recupera ore; chi lavora su materiale senza voce — un montaggio musicale, una sequenza di riprese — non recupera niente, perché non c'è testo su cui appoggiarsi.

Che cosa significa "generativo" qui

La parte generativa di Descript non produce inquadrature. Produce quattro cose diverse, tutte al servizio di un girato che esiste già:

• La voce: si clona la propria, si riscrive una parola nel testo e l'audio viene rigenerato con il labiale allineato.

• Le lingue: traduzione e doppiaggio in oltre trenta lingue a partire dalla trascrizione.

• Gli avatar: una presenza in scena senza doversi riprendere.

• Il materiale di appoggio: B-roll generato e coerente con ciò di cui si sta parlando, più titoli e grafiche.

È una definizione di "generativo" più modesta di quella di Veo o Kling, ed è giusto dirlo. È anche, per chi produce contenuti parlati con continuità, più utile: risolve i problemi che si presentano davvero il lunedì mattina.

Chi lo usa davvero

Podcast video, videocorsi, contenuti aziendali di formazione, interviste, demo di prodotto, webinar riadattati. Il denominatore comune è uno solo: qualcuno che parla davanti a una camera. Fuori da quel perimetro — pubblicità con montaggio ritmico, videoclip, documentario con molto girato e poca voce — lo strumento perde gran parte del suo vantaggio.

Le caratteristiche principali

Editing dalla trascrizione

Il cuore del prodotto. La trascrizione è dichiarata accurata fino al 95% e copre 25 lingue; traduzione di trascrizioni e sottotitoli arriva a oltre trenta. Da lì si taglia cancellando, si riordina spostando paragrafi, si cerca una frase come si cerca in un documento di testo.

La funzione che da sola ripaga l'abbonamento per molti è la rimozione automatica delle parole riempitive — gli "ehm", le esitazioni, le ripetizioni — su tutta la durata in un passaggio solo. Su un'ora di parlato sono decine di tagli che nessuno farebbe a mano.

Underlord: l'assistente che monta

È la novità che ha riorganizzato il prodotto: tutte le funzioni AI, prima sparse, sono confluite in un assistente unico. Si descrive a parole che cosa si vuole — "nascondi gli stacchi aggiungendo degli zoom", "fammi una versione da due minuti concentrata su questo tema", "estrai tre clip per i social" — e Underlord legge la trascrizione, guarda il video e propone.

Quello che sa fare copre un arco ampio: generare clip social e trailer, scrivere le note dell'episodio, correggere l'audio, applicare modifiche di massa come zoom e stacchi, mettere in evidenza i momenti chiave, costruire layout multicamera, aggiungere titoli animati, convertire documenti e slide in video. La modalità di lavoro è iterativa: propone, si corregge, ripropone.

Vale la pena dire come va usato per non restare delusi: è un assistente, non un regista. Sulle operazioni meccaniche e ripetitive fa risparmiare ore; sulle scelte di ritmo e di senso la decisione resta vostra, e accettare le sue proposte senza guardarle produce contenuti che si somigliano tutti.

Studio Sound, Eye Contact, Green Screen

Tre correzioni che nel lavoro reale valgono più di molte funzioni appariscenti. Studio Sound toglie il rumore di fondo e porta la voce a un livello da studio: è quella che salva una registrazione fatta in una stanza sbagliata. Eye Contact corregge la direzione dello sguardo di chi legge da un gobbo o dalle note, facendolo sembrare rivolto alla camera. Green Screen rimuove e sostituisce lo sfondo senza telo verde.

Sono tutte a consumo di crediti, e Studio Sound in particolare ne costa una decina per applicazione: su venti file al mese la voce si sente nel conto.

Regenerate: correggere una parola senza rientrare in sala

Si sbaglia un nome, una cifra, una data. Si corregge il testo nella trascrizione e Descript rigenera l'audio con la voce clonata di chi parlava, allineando anche il movimento delle labbra. Per chi produce videocorsi che invecchiano — un prezzo che cambia, una normativa che si aggiorna — è la funzione che trasforma una ripresa da rifare in una riga da modificare.

È anche la funzione che richiede più attenzione sul piano del consenso, e ci torniamo.

Sottotitoli, traduzione e doppiaggio

I sottotitoli nascono dalla trascrizione e restano sincronizzati con il video anche dopo i tagli, il che elimina la parte più noiosa del lavoro. Traduzione e doppiaggio coprono oltre trenta lingue e sono disponibili dal piano Business.

Per il mercato italiano l'osservazione utile è questa: la trascrizione dell'italiano funziona, ma l'accuratezza dichiarata del 95% è una media su lingua pulita e audio buono. Su un parlato con termini tecnici, nomi propri e inflessioni regionali, il tempo di correzione della trascrizione va messo in preventivo — è comunque una frazione di quello che costerebbe trascrivere da zero.

Avatar e materiale generato

Gli avatar permettono una presenza in scena senza registrarsi, e dal piano Business si possono creare avatar personalizzati. Il B-roll generato dall'AI riempie i vuoti visivi seguendo il contenuto di cui si parla, e c'è una libreria di stock illimitata dai piani superiori.

Registrazione multitraccia e scene

Descript registra in 4K, gestisce più tracce per interviste e podcast a più voci, e organizza il video in scene con layout — inquadrature affiancate, slide, schermo condiviso. Non è un compositing professionale, ma copre il formato che questo pubblico produce.

Le funzioni a colpo d'occhio

I vantaggi competitivi

Chi sa scrivere sa già montare

Il vantaggio principale non è tecnico ma organizzativo: in un'azienda o in uno studio, le persone che sanno scrivere sono molte di più di quelle che sanno montare. Con Descript, un responsabile marketing taglia da solo la versione breve del webinar, e il montatore interviene solo dove serve davvero. È lo stesso spostamento che i sistemi di gestione dei contenuti hanno portato nei siti web: la produzione smette di passare da un collo di bottiglia.

Il tempo si recupera dove il parlato è disordinato

Un'ora di intervista reale contiene decine di esitazioni, riprese di frase, pause sbagliate. Rimuoverle a mano è il lavoro più noioso e meno qualificato del montaggio; farle rimuovere in un passaggio e poi rileggere il risultato costa una frazione. È qui che il ritorno è più alto e più facile da misurare: cronometrate una volta la vostra procedura attuale e confrontatela.

Dal grezzo al pubblicato senza cambiare strumento

Registrazione multitraccia, montaggio, pulizia audio, sottotitoli, clip per i social, note dell'episodio, export in 4K. Per un produttore di contenuti seriali questo significa un solo abbonamento e un solo posto in cui cercare i file, invece di una catena fra registratore, editor audio, editor video e strumento di sottotitolazione. Il valore non è in nessuna singola funzione: è nel non dover esportare e reimportare cinque volte.

La localizzazione diventa un prodotto vendibile

Con traduzione e doppiaggio a partire dalla trascrizione, lo stesso videocorso diventa quattro videocorsi per quattro mercati senza rigirare nulla. Per chi lavora con clienti che esportano, è un servizio da mettere a listino — e il costo marginale per lingua è basso abbastanza da renderlo competitivo rispetto al doppiaggio tradizionale, purché si accetti che il risultato è buono, non perfetto.

I limiti, detti chiaramente

• Non genera video da un prompt. Se cercate un testo-video, guardate Veo, Kling o Runway: sono un'altra categoria.

• Senza parlato il vantaggio sparisce. Su montaggi musicali o materiale senza voce, un editor tradizionale è più rapido.

• Non è un finitore professionale. Color grading serio, effetti, compositing e missaggio avanzato stanno altrove.

• Due contatori invece di uno. Ore di media e crediti AI si esauriscono separatamente, e il secondo sorprende chi usa molto le correzioni.

• Le ore di media contano anche i file che non usate. Un flusso di lavoro con tracce audio e video separate o più angoli di ripresa consuma in fretta.

• Prestazioni e sincronia. Su progetti lunghi gli utenti segnalano rallentamenti e disallineamenti: è la critica più ricorrente nelle recensioni.

• Il piano gratuito non serve a produrre. Un'ora di media al mese è una prova, non un flusso di lavoro.

Costi

Descript si paga per postazione, ma il canone è solo il piano d'appoggio: il costo reale lo determinano due contatori indipendenti.

I piani

La fatturazione annuale taglia circa un terzo rispetto alla mensile. I listini cambiano e variano per regione: verificateli nel vostro account prima di impegnarvi con un cliente.

I due contatori che decidono il conto

Il primo sono le ore di media, e la regola che sorprende è questa: contano tutti i file caricati o registrati, anche quelli che poi non usate. Un podcast a tre voci registrato con tracce separate più due angoli di camera consuma ore a una velocità che chi ragiona sul minutaggio finale non si aspetta. Chi lavora multitraccia deve dimensionare il piano sul materiale grezzo, non sul montato.

Il secondo sono i crediti AI, consumati dalle funzioni: Studio Sound costa una decina di crediti per applicazione, Eye Contact e Green Screen attingono anch'essi in base a durata e complessità. Le eccedenze si comprano solo dai piani Creator e Business: su Hobbyist, finiti i crediti, si aspetta il mese nuovo o si passa di piano.

La matematica su un lavoro vero

Un podcast video settimanale di quarantacinque minuti, registrato con due tracce audio e due camere, produce circa tre ore di media a episodio: dodici ore al mese, dentro il piano Creator ma non dentro l'Hobbyist. Aggiungete Studio Sound su quattro file a settimana e siete a circa 160 crediti mensili solo per quello, più le clip social generate con Underlord.

La regola pratica: il piano si sceglie sul materiale grezzo mensile, non sul risultato pubblicato, e chi registra multitraccia deve contare per traccia. È l'errore di dimensionamento più comune e si scopre a metà del secondo mese.

Alternative a Descript e confronto

Il campo si divide in tre famiglie che rispondono a bisogni diversi: gli editor da trascrizione come Descript, gli strumenti di riuso automatico per i social, e gli editor tradizionali che hanno aggiunto funzioni testuali.

Quando Descript non è la scelta giusta

• Il video non ha parlato. Senza trascrizione su cui lavorare, il vantaggio principale non esiste.

• Serve generare video da zero. È il terreno di Veo, Kling e Runway: Descript non ci prova nemmeno.

• Il lavoro è di finitura. Color grading, effetti e missaggio avanzato richiedono Resolve o Premiere.

• Vi serve solo tagliare clip verticali dal lungo. Strumenti dedicati costano meno e fanno solo quello.

• Registrate molto e pubblicate poco. Il contatore delle ore di media penalizza proprio questo profilo.

Strategie di crescita usando Descript

La sequenza di adozione che funziona

Chi apre Descript e comincia a chiedere cose a Underlord ottiene contenuti che si somigliano tutti e finisce i crediti a metà mese. La sequenza che porta risultati parte dal lavoro noioso.

1. Settimana 1. Un solo episodio già registrato, montato solo con la trascrizione e la rimozione dei riempitivi. Cronometrate: è il confronto con il vostro metodo attuale, ed è il numero che decide se andare avanti.

2. Settimana 2. Aggiungete Studio Sound e i sottotitoli. Sono le due cose che alzano di più la qualità percepita a parità di contenuto.

3. Settimana 3. Ora Underlord, ma su un compito solo: estrarre tre clip social da un lungo. Valutate quante ne tenete senza ritoccarle.

4. Mese 2. Costruite i vostri modelli: layout delle scene, stile dei sottotitoli, sigle. Ogni episodio successivo parte da lì invece che da zero.

5. Mese 2. Misurate il consumo reale di ore di media e crediti su un mese pieno, poi scegliete il piano. Non prima.

6. Mese 3. Se avete clienti che esportano, provate il doppiaggio su un contenuto vero e fatelo valutare da un madrelingua prima di venderlo.

7. In continuo. Tenete il conto di quanto costa un episodio pubblicato, fra canone, crediti e ore vostre. È l'unico numero che conta.

Per freelance e piccoli studi: dove sta il margine

Il margine sta in tre voci, e nessuna è il montaggio in sé.

La prima è il riuso. Un webinar da un'ora contiene sei clip social, un articolo ricavato dalla trascrizione, una newsletter e una versione breve da quindici minuti. Prima erano quattro lavorazioni separate che nessun cliente approvava tutte insieme; adesso sono un pacchetto che si vende come "un contenuto, otto pubblicazioni" e che costa poco più del montaggio singolo.

La seconda è la localizzazione: lo stesso corso in quattro lingue con il doppiaggio dalla trascrizione. Va venduto per quello che è — una traduzione parlata di buona qualità, non un doppiaggio d'autore — e va fatto rivedere da un madrelingua prima della consegna, con quella revisione dentro il preventivo.

La terza è la manutenzione dei contenuti. Un videocorso che cita un prezzo cambiato o una normativa aggiornata si correggeva rigirando; con la rigenerazione della voce è una riga di testo. Per un cliente con un catalogo formativo è un canone ricorrente, non una tantum.

Il vincolo che va messo in contratto

Qui più che altrove, perché la clonazione vocale e gli avatar toccano la persona.

Il consenso alla voce va scritto: chi presta la voce deve sapere che verrà clonata, per quali contenuti, per quanto tempo e che cosa succede se il rapporto finisce. Non è una formalità — è il diritto di qualcuno sulla propria identità vocale, e un contratto muto su questo punto è un problema che emerge sempre nel momento peggiore.

Poi la dichiarazione del contenuto sintetico. Dal 2 agosto 2026 si applica l'articolo 50 dell'AI Act: chi pubblica deve dichiarare in modo chiaro e immediato che immagine, audio o video sono generati o manipolati artificialmente, salvo che una persona si assuma la responsabilità editoriale. La regola rafforzata sui deepfake riguarda proprio i casi di Descript più delicati: un avatar che parla, una voce clonata che dice frasi mai pronunciate, un doppiaggio che fa parlare una persona in una lingua che non conosce. Le sanzioni arrivano a 15 milioni di euro o al 3% del fatturato mondiale annuo.

Tradotto in pratica: correggere un "ehm" non è un deepfake e non richiede nulla. Far dire a un testimonial una frase che non ha mai detto, sì. Fra i due estremi c'è una zona grigia che conviene definire nel contratto invece che scoprirla dopo la pubblicazione.

Questo è un riepilogo tecnico, non un parere legale: per il vostro caso specifico serve un consulente.

Tendenze future

Guardando la direzione degli ultimi due anni, alcune linee sono leggibili.

L'assistente assorbe le funzioni. La consolidazione di tutte le capacità AI dentro Underlord dice dove va l'interfaccia: non più un menu di strumenti da imparare, ma una conversazione in cui si chiede il risultato. È la stessa direzione presa da Runway con l'editing in linguaggio naturale e da Google con Gemini Omni — cambia il modo in cui si impara un software, non solo quello che fa.

L'editing testuale smette di essere un vantaggio competitivo. Premiere lo ha già, altri lo aggiungeranno. Descript dovrà difendersi su ciò che sta intorno — la qualità dell'assistente, la rigenerazione vocale, la localizzazione — perché la funzione che gli ha dato il nome sta diventando una casella da spuntare per tutti.

La localizzazione automatica si allarga. Doppiaggio in decine di lingue a partire dal testo è un mercato che due anni fa richiedeva uno studio; oggi richiede un abbonamento. La direzione prevedibile è il controllo fine — scegliere il tono, la velocità, l'intonazione — più che l'aumento del numero di lingue.

La provenienza diventa un requisito. Con l'AI Act applicabile e la marcatura dei contenuti sintetici che entra negli strumenti, è ragionevole attendersi che voci clonate e avatar portino metadati di provenienza per impostazione predefinita, e che le piattaforme di pubblicazione li leggano.

Il collo di bottiglia si sposta ancora più in alto. Quando montare costa poco, il valore si concentra su cosa dire e a chi. Chi vende ore di montaggio avrà un problema; chi vende contenuto e strategia, no.

Una previsione che non facciamo: che questi strumenti rendano superfluo il montatore. Rendono superflua la parte meccanica del montaggio, che è un'altra cosa — e che nessuno rimpiangerà.

Domande frequenti

Descript genera video da un testo come Veo o Kling?

No, ed è la confusione più comune. Descript è un editor di video e audio in cui il montaggio si fa sulla trascrizione: parte sempre da materiale registrato. La sua parte generativa riguarda la voce (clonazione e rigenerazione), le lingue (traduzione e doppiaggio in oltre trenta), gli avatar e il materiale di appoggio come il B-roll. Per generare una scena da un prompt servono strumenti di un'altra categoria.

Come funziona l'editing dalla trascrizione?

Il file viene trascritto automaticamente e testo e video restano legati: cancellando una frase dal documento, quella frase sparisce anche dal montato; spostando un paragrafo, si riordina la sequenza. La trascrizione copre 25 lingue con un'accuratezza dichiarata fino al 95%, e i sottotitoli che ne derivano restano sincronizzati anche dopo i tagli. La timeline esiste per il lavoro fine, ma non è il punto di partenza.

Che cos'è Underlord?

È l'assistente AI di Descript, il punto in cui tutte le funzioni di intelligenza artificiale del prodotto si sono unificate. Si descrive a parole il risultato voluto — estrarre clip social, creare una versione più breve, nascondere gli stacchi con degli zoom, scrivere le note dell'episodio — e l'assistente legge la trascrizione, guarda il video e propone, accettando correzioni iterative. L'accesso completo è dal piano Creator.

Quanto costa Descript?

Si paga per postazione: il piano Hobbyist parte da 16 dollari al mese con fatturazione annuale (24 mensile) con 10 ore di media e 400 crediti AI, Creator da 24 (35 mensile) con 30 ore e 800 crediti, Business da 50 (65 mensile) con 40 ore, 1.500 crediti, doppiaggio e avatar personalizzati. Esiste un piano gratuito con un'ora di media al mese, utile solo per provare. La fatturazione annuale fa risparmiare circa un terzo.

Che cosa sono le ore di media e i crediti AI?

Sono i due contatori che determinano il costo reale, separati dal canone. Le ore di media contano tutti i file caricati o registrati, anche quelli che poi non usate: chi registra multitraccia o con più camere le consuma molto più in fretta di quanto suggerisca la durata del video finito. I crediti AI vengono consumati dalle funzioni — Studio Sound costa circa dieci crediti per applicazione — e le eccedenze si acquistano solo dai piani Creator e Business.

Posso correggere una parola sbagliata senza registrare di nuovo?

Sì, è la funzione Regenerate: si corregge il testo nella trascrizione e l'audio viene rigenerato con la voce clonata di chi parlava, allineando anche il movimento delle labbra. È particolarmente utile sui videocorsi che invecchiano, dove cambia un prezzo o una normativa. Richiede però il consenso esplicito di chi presta la voce, e quel consenso va messo per iscritto.

Descript funziona bene con l'italiano?

La trascrizione dell'italiano è supportata e traduzione e sottotitoli coprono oltre trenta lingue. L'accuratezza dichiarata fino al 95% va però intesa come media su audio pulito e lingua standard: con termini tecnici, nomi propri e inflessioni regionali serve una revisione della trascrizione, che resta comunque molto più rapida di una trascrizione fatta da zero. Mettete quel tempo a preventivo.

Devo dichiarare che un video è stato modificato con l'AI?

In Europa dipende da quanto l'intervento incide. Dal 2 agosto 2026 si applica l'articolo 50 dell'AI Act: chi pubblica deve dichiarare in modo chiaro e immediato che immagine, audio o video sono generati o manipolati artificialmente, salvo che una persona si assuma la responsabilità editoriale, con una regola rafforzata sui deepfake. Togliere le esitazioni o pulire l'audio non ricade in quell'ambito; far dire a una persona reale, con la sua voce clonata o con un avatar, frasi che non ha mai pronunciato sì. Le sanzioni arrivano a 15 milioni di euro o al 3% del fatturato mondiale annuo.

In sintesi

Descript risolve un problema preciso e lo risolve meglio di chiunque altro: montare contenuti parlati leggendo invece che ascoltando. Tutto il resto del prodotto — l'assistente che taglia le clip, la voce che si rigenera, il doppiaggio in trenta lingue — è costruito attorno a quella scelta, e fuori da lì perde senso: su un montaggio senza parlato non ha niente da offrire che un editor tradizionale non faccia meglio.

Per chi lavora su commessa la domanda utile non è se Descript sia meglio di Premiere, ma quante lavorazioni separate riesce a far collassare in una: il montato, le clip social, i sottotitoli, le versioni in altre lingue, le correzioni di un contenuto che invecchia. È lì che il conto torna — a condizione di dimensionare il piano sul materiale grezzo e non sul pubblicato, e di mettere in contratto il consenso alla voce prima di clonarla.