Semana passada meu chefe me jogou uma missão: trocar a voz robótica da URA da empresa por uma que parecesse gente de verdade, daquelas que acolhem. Pensei: "ué, é só achar um clonador de voz grátis, gravar uns áudios meus, deixar a IA aprender e pronto".

Errei. Feio. Duas vezes.

Primeira tentativa: achei que a IA fazia mágica, ela fez terror noturno

Entrei no site de clonagem de voz grátis, interface limpa, sem cadastro, subi um áudio de 20 segundos que eu tinha de uma ligação com cliente. Era eu falando, com sotaque, com uns "ãhn" e "tipo" no meio. Achei que quanto mais natural, melhor.

Clonei. Escrevi a primeira frase da URA: "Olá, obrigado por ligar para a empresa XPTO. Para atendimento, tecle 1. Para informações, tecle 2."

O que saiu? Uma voz que parecia eu com gripe há três dias, sendo estrangulada. Cada palavra arrastada, com um chiado eletrônico de fundo. Desliguei na hora, assustado.

O problema? Aquele áudio tinha barulho de rua, respiração, saliva, até o som do teclado. A IA não sabia o que era "eu" e o que era "ruído". Ela pegou tudo como material e o resultado foi um Frankenstein sonoro.

Segunda tentativa: me liguei, mas quase caí na pegadinha do "grátis pra sempre"

Dessa vez fui pra um cômodo silencioso, gravei com o celular, só 5 segundos, uma frase: "Olá, obrigado por ligar."

O clone saiu bem mais limpo. Mas aí veio outro problema: a conversão de texto em voz grátis ali do site tinha um tom robótico, sem emoção, parecia locutor de jornal falando sobre a previsão do tempo.

Fiquei desconfiado daquele gerador de voz gratuito, mas pensei: "é grátis, deixa eu tentar mais umas vezes".

O que eu aprendi gravando direito (e o que você deve fazer)

Material de áudio: não é o tamanho, é a limpeza

Depois de quebrar a cara, entendi: o áudio pra clonar voz não precisa ser longo, 5 a 10 segundos bastam. O importante é ser limpo. Sem eco, sem música de fundo, sem gente conversando ao longe.

Na segunda tentativa eu deixei o celular em cima da mesa, a uns 50 cm da boca. Pegou o som do teclado. Depois, coloquei o celular apoiado, boca a uns 10 cm do microfone, e usei o gravador de voz do WhatsApp. Outro nível.

Texto: frases curtas, não textão

URA não é conversa de bar. O cliente precisa entender de primeira. Então esquece "para solicitar serviços, pressione 3; em caso de emergência, pressione 9". Quebra em frases curtas: "Para solicitar serviços, tecle 3. Emergência, tecle 9."

Aí a IA consegue respirar nos lugares certos e o resultado parece humano.

Detalhe que ninguém fala: velocidade e tom são ajustáveis

Achou que era só clonar e sair digitando? Não. Na terceira tentativa, percebi que o texto para fala grátis tem uns controles de velocidade e tom. O padrão é zero, e o áudio saiu acelerado, sem pausa entre as palavras.

Baixei a velocidade pra -2 e deixei o tom um pouquinho mais grave. Ficou com a minha cara. E se você quer um tom acolhedor, não espere que a IA sinta emoção sozinha. Coloque marcadores no texto: vírgulas, pontos, até um "ahn" ou "então" de vez em quando. Testei colocar vírgula depois de "Olá" e o áudio ganhou uma respirada. Muito melhor que um "Olá" seco.

Edição: não tenha preguiça, faça em pedaços

O que funcionou de verdade foi o método mais simples: dividir o script da URA em umas oito frases curtas, gerar cada uma separadamente no clonador de voz online grátis e depois juntar tudo num editor de áudio (usei o CapCut, mas qualquer um serve).

Por que isso? Quando você gera um texto longo de uma vez, a IA inventa uns alongamentos estranhos entre frases ou erra a ênfase de uma palavra. Separando, cada frase tem seu próprio controle de ritmo. Na hora de juntar, deixa uns 0,3 segundos de silêncio entre elas. Parece que você tá respirando de verdade.

Também testei a opção de ler texto com voz clonada grátis direto, mas o resultado não foi tão bom quanto a colagem. Então, se você tem tempo, faz no esquema um por um. Vale a pena.

Como ficou no final?

Na terceira tentativa, gravei um áudio de 8 segundos com a frase "Olá, obrigado por ligar". Clonei. Depois, dividi o script em frases e fui gerando uma a uma no texto para voz grátis. Juntei tudo no editor.

Resultado? Ainda tem um leve sotaque de robô, mas dá pra reconhecer que é humano. Mostrei pra uma colega e ela falou: "poxa, parece a voz do meu primo". Fiquei orgulhoso.

Sobre esses "grátis" que tem por aí

Muita ferramenta de clonagem de voz grátis limita o número de usos ou coloca marca d'água. Esse site que usei, o VoxClone, é honesto: não pede cadastro e funciona de graça, mas a geração demora um pouco, fiquei uns dois minutos esperando na fila.

Pra uma empresa pequena que quer melhorar a URA sem pagar nada, é suficiente. Você não precisa gastar com estúdio de locução nem aprender Audacity. Com paciência, você mesmo resolve.

E pra cantar, serve?

Testei a função de clonar voz pra cantar e... digamos que ficou parecendo meu amigo desafinado no chuveiro. Se a ideia é só URA, ok. Se for pra música, melhor não.

FAQ

Por que minha voz clonada sai com ruído?

Provavelmente o áudio de origem tá sujo. Grava num lugar silencioso, sem ar-condicionado, sem ventoinha apontando pro microfone. Se ainda assim tiver chiado, usa o gerador de voz grátis pra criar uma versão limpa do texto e usa essa como base.

Preciso me cadastrar pra usar clonagem de voz grátis?

Não. O site de clonagem de voz funciona sem cadastro, é só abrir e usar. Mas se você quiser salvar vários modelos de voz, recomendo criar uma conta, senão vai ter que gravar de novo na próxima vez.

Pra fechar, uma pergunta

Sabe o que meu chefe falou quando ouviu a nova URA? — "Essa voz me lembra minha ex-namorada."

E você, o que faria com uma voz clonada de graça?