Como clonar voz com IA: gravar, limpar e usar a sua

É criar, a partir da gravação de uma pessoa, uma voz sintética que soa como ela. Daí em diante você escreve um texto e a voz o lê. Não precisa gravar de novo.

O que um clonador de voz copia são características, não frases. O timbre, que é o que permite reconhecer alguém ao telefone com duas palavras. E o jeito de falar: sotaque, ritmo, como a entonação sobe e desce, quanta energia há em cada frase. Para as duas coisas bastam alguns segundos de áudio limpo.

Por isso o clone herda a gravação inteira, defeitos incluídos. Se você grava cansado, ele sai cansado. Se o ambiente tem eco, o eco passa a fazer parte da sua voz. Quase tudo se decide na hora de gravar, bem antes de clicar no botão.

Não é preciso estúdio. Um celular recente grava de sobra se for bem usado, e o que mais muda o resultado é o ambiente e o jeito como você fala.

• Uma gravação de 15 a 60 segundos de uma só pessoa falando: você, ou alguém que tenha dado permissão por escrito.
• Um arquivo MP3, WAV ou M4A. Se a sua voz está em um vídeo, extraia o áudio antes: o que se envia é o som, não o vídeo.
• Um cômodo silencioso, com móveis, cortinas ou roupas penduradas, que absorvem o eco.
• Créditos comprados: clonar custa 199 créditos, e os créditos grátis do mês não valem para isso.

Grave de 15 a 60 segundos de voz contínua, em uma sala sem eco, a um palmo do microfone e falando do jeito que você quer soar depois. Isso é o básico. Abaixo vão os detalhes.

É preciso menos áudio do que se costuma pensar. Com 10 a 20 segundos limpos de uma só pessoa já há semelhança, e acrescentar outros 20 ou 60 não melhora.

Se você só tem o áudio de um vídeo antigo ou de uma sala com eco, pode limpá-lo antes de clonar com a opção “Melhorar a gravação”, que tira o ruído de fundo e o eco do ambiente.

A dúvida natural é se limpar tira da voz o que a torna sua. Não tira: a identidade se mantém, e as gravações mais sujas são as que mais ganham.

Se a sua gravação já soa limpa, não a melhore: não há o que corrigir e isso pode reduzir a semelhança. Custa 99 créditos a mais, e a Voizum avisa nos dois casos, quando detecta ruído que vale a pena tirar e quando a gravação já está boa.

Leva alguns minutos, quase todos de espera:

1. 1Entre em Vozes e clique em Clonar uma voz nova. Você pode enviar um arquivo ou gravar pelo navegador: a gravação para sozinha em um minuto.
2. 2Ouça a amostra. Se aparecer um aviso de ruído, saturação ou qualidade baixa, grave outra antes de continuar.
3. 3Dê um nome que você vá reconhecer, como “Minha voz, narração”. A descrição é opcional.
4. 4Decida se vai melhorá-la, só se tiver ruído ou eco, e se ativa o Modo sem sotaque, só se for usá-la principalmente em outro idioma.
5. 5Confirme que é a sua voz ou que você tem permissão do dono e clique em Criar voz. Você não precisa escolher o idioma: ele é detectado na gravação.
6. 6Você pode fechar a aba enquanto ela é preparada. Quando termina, a voz aparece nas suas vozes com uma amostra para ouvir.

A amostra da ficha serve de primeiro filtro, mas a prova de verdade é um texto seu. Gere um parágrafo do seu próximo roteiro, não uma frase solta, e ouça com fones.

• Semelhança: toque a sua gravação e o áudio gerado em sequência. Se alguém próximo não acerta qual é qual de primeira, está bom.
• Energia: se soa mais sem graça que você, quase sempre é porque a gravação era sem graça. Grave outra com mais intenção.
• Ruído ou eco no resultado: vinham na amostra. Melhore-a ou grave em outro cômodo.
• Palavras estranhas: valores, datas, horas e preços são lidos bem sozinhos, mas siglas, abreviaturas e símbolos são lidos como estão escritos. Se você quer uma leitura específica, escreva como soa (“cê-ó-dois”, “três vezes” em vez de “3x”).

A sua voz clonada fala os 7 idiomas da Voizum: português, inglês, espanhol, alemão, francês, italiano e russo. O idioma de cada áudio vem do texto que você escreve, então você pode gravar em português e gerar um roteiro em inglês.

Com a clonagem completa, a sua voz fala inglês com o seu sotaque, como você mesmo falaria, e para um canal em português com algum vídeo avulso em inglês costuma ser o mais natural. Se você vai publicar principalmente em outro idioma e não quer que o sotaque apareça, crie uma segunda versão da sua voz no modo sem sotaque.

Clonar a sua própria voz é legal. Clonar a de outra pessoa só é com a permissão dela, e usá-la para parecer que disse algo que não disse pode ser crime, dependendo do país e do uso. Na Voizum você só pode clonar a sua voz ou a de alguém que tenha autorizado, e não são permitidas vozes de famosos nem se passar por alguém.

Na Voizum, não: clonar custa 199 créditos e exige já ter comprado alguma vez. Os créditos grátis todo mês com o Google (600 créditos, cerca de 10 minutos) servem para gerar áudios com as mais de 300 vozes da biblioteca, não para clonar.

Fora da Voizum há dois caminhos. Os modelos de código aberto clonam uma voz com poucos segundos e se instalam no seu computador, mas pedem uma placa de vídeo potente e familiaridade técnica, e a qualidade depende de como você os configura. Os apps de edição de vídeo e de voz que trazem clonagem costumam reservá-la aos planos pagos ou dar pouquíssimos usos por mês.

Se você só precisa de uma voz que leia o seu roteiro e não precisa ser a sua, não é preciso clonar: uma voz da biblioteca com os créditos grátis do mês pode bastar para começar.

• Usar o áudio de um vídeo com música de fundo. A música se infiltra na voz. Grave à parte ou, se não houver outra opção, melhore-a antes.
• Gravar no banheiro “porque soa bem”. Soa bem ao ouvido por causa da reverberação, e essa reverberação é copiada.
• Ler com pressa para terminar logo. O clone vai falar com pressa em todos os seus áudios.
• Misturar duas sessões ou dois microfones na mesma amostra. Use uma única gravação contínua.
• Cortar a gravação no meio de uma palavra em vez de em uma pausa.
• Ativar o modo sem sotaque para usar a voz no seu próprio idioma: você perde semelhança sem ganhar nada.
• Melhorar uma gravação que já estava limpa.
• Julgar o clone por uma única frase. Teste um parágrafo longo de um roteiro real.