Clonagem de voz
A clonagem de voz (voice cloning) é o uso de IA para fazer um sistema de text-to-speech falar com a voz de uma pessoa específica, aprendida a partir de uma gravação dela. Alguns sistemas precisam só de uma amostra curta.
Também chamado: voice clone, voice replication, custom voice
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
Uma voz clonada permite que um modelo de text-to-speech leia qualquer texto soando como a pessoa da amostra. Os usos incluem dublagem, audiolivros narrados pelo próprio autor, restaurar a voz de alguém que perdeu a capacidade de falar e voice agents com a voz da marca.
Como funciona
Pesquisadores da Baidu descreveram as duas abordagens principais em 2018. A adaptação de locutor faz fine-tuning de um modelo com vários locutores usando alguns trechos da nova voz. A codificação de locutor treina uma rede separada que transforma um trecho em um speaker embedding, uma descrição compacta da voz, que o modelo de fala então segue. A codificação não precisa de treinamento extra por voz, então é mais rápida e mais barata. Os modelos de TTS zero-shot modernos ampliam a ideia da codificação. Serviços hospedados como o ElevenLabs e modelos abertos como o Chatterbox oferecem clonagem.
Consentimento e uso indevido
Um clone convincente pode ser usado para fraude, como uma ligação falsa de um parente ou de um executivo, ou para colocar palavras na boca de uma figura pública. Áudio clonado combinado com vídeo é uma forma comum de deepfake. Muitos provedores pedem que os usuários confirmem ter a permissão do locutor, e alguns adicionam marcas d'água ao áudio. As leis sobre o uso da voz de alguém variam por país, então verifique as regras que se aplicam a você.
Limites
Clones feitos a partir de amostras curtas podem perder sotaque, emoção e padrões de respiração, e a qualidade cai com áudio de origem ruidoso.
Termos relacionados
- Text-to-speech
- Text-to-speech (TTS, texto para fala) é um software que transforma texto escrito em áudio falado. O TTS moderno usa redes neurais que preveem o som da fala a partir do texto e depois o renderizam como forma de onda.
- Deepfake
- Um deepfake é um conteúdo de imagem, áudio ou vídeo criado ou alterado com IA para mostrar de forma convincente uma pessoa, um lugar ou um evento real de um jeito que não aconteceu e que poderia passar por autêntico.
- Marca d'água de IA
- Marca d'água de IA (AI watermarking) é a inserção de um sinal oculto e detectável por máquina em texto, imagens, áudio ou vídeo no momento em que um modelo de IA os gera, para que um software possa depois identificar o conteúdo como gerado por IA.
- Modelo speech-to-speech
- Um modelo speech-to-speech (de fala para fala) recebe áudio falado e produz áudio falado diretamente, sem converter primeiro a fala em texto e de volta. Ele é usado em conversas por voz ao vivo e em tradução.
- Voice agent
- Um voice agent (agente de voz) é um agente de IA que mantém uma conversa falada em tempo real, ouvindo uma pessoa, decidindo o que dizer ou fazer e respondendo com uma voz sintética, muitas vezes por uma linha telefônica ou em um app.