Clonei a voz da minha avó com um áudio gravado na cozinha — e me dei mal

Você já ouviu sua avó falando de dentro de um túnel, gripada, com um caroço de açaí preso no fundo da boca? Eu ouvi. E fui eu que fiz, com estas mãos.

A história começa no ano passado. Minha avó tem 84 anos e fala um português que está desaparecendo — o “r” arrastado do interior, o “nós vai”, aquele jeito de terminar a frase subindo a voz no final. Meus primos respondem ela com emoji. Eu queria guardar aquilo antes que virasse só lembrança, então resolvi montar uma carta falada: um áudio longo, na voz dela, contando a vida dela, pra gente ouvir todo dia 24 de dezembro.

Peguei o celular e gravei meia hora ali mesmo, na cozinha, enquanto ela mexia o feijão. Panela de pressão apitando, exaustor ligado, o caminhão do gás passando na rua com aquele alto-falante repetindo oferta.

Joguei o arquivo no clonador. E saiu... aquilo.

A culpa não era do modelo. Era minha.

Minha primeira reação foi a mais previsível do mundo: trocar de ferramenta. Testei site, testei aplicativo, testei aquele que promete clonagem de voz grátis, testei um pago que cobra em dólar. Todos entregaram a mesma avó-de-túnel.

Foi aí que eu parei e aceitei o óbvio. O problema não estava no modelo. Estava nas meia hora de lixo que eu dei pra ele.

O modelo aprende exatamente o que você mostra. Naquele áudio, a voz da minha avó era uns 30% do conteúdo. O resto era panela, exaustor, cachorro latindo longe e a reverberação da cerâmica da parede. Ele aprendeu tudo, educadinho. Tratou o exaustor como se fosse parte da garganta dela.

Os erros que eu cometi (todos evitáveis, todos burros)

Gravei na cozinha. Cozinha é um dos piores lugares possíveis: azulejo, vidro, panela de metal. O som bate e volta. E sotaque vive de detalhe — de tom, de subida, de vogal puxada. Com reverberação em cima, esse detalhe achata. Depois eu descobri que um quarto pequeno, com janela fechada, cortina fechada e um cobertor na cama, entrega resultado dez vezes melhor.

Fiz ela ler um texto. Imprimi a carta e pedi: “lê aí, vó”. Ela leu devagar, travada, sílaba por sílaba, igual criança em prova de leitura no colégio. Só que ninguém fala assim. Aquele “nós vai”, aquele “ocê sabe”, aquele risinho no meio da frase — tudo desapareceu no instante em que ela virou leitora. O clone saiu certinho demais. Certinho a ponto de não parecer ela.

Achei que mais era melhor. Meia hora de material parecia seguro. Só que menos de dez minutos eram aproveitáveis. E eu ficava movendo o celular, aproximando, afastando — o volume ia e voltava. Material assim ensina o contorno da voz, nunca a textura.

Ah, e tem uma coisa que eu quase esqueci: consentimento. No Brasil a LGPD não brinca em serviço com dado biométrico, e voz clonada entra nessa conversa. Eu sentei com ela, expliquei o que ia fazer, mostrei o resultado pronto. Não é burocracia — é o mínimo. Voz é dado pessoal, e é da pessoa, não do neto animado.

Como eu regravei (e aí deu certo)

Uma semana depois levei ela pra casa da minha irmã, num quarto virado pro fundo do terreno, o mais silencioso da casa. Fiz assim:

  • Celular no tripé, a uns 20 cm da boca, e não mexi mais
  • Janela fechada, ar-condicionado desligado, cortina fechada, celular em modo avião
  • Nada de leitura. Eu perguntava, ela respondia: “como era o Natal quando a senhora era criança?”, “o que a sua mãe fazia quando a senhora aprontava?”
  • Sessões de 5 a 8 minutos, ouvindo na hora. Tinha ruído? Apagava e repetia.
  • No fim, uns 20 minutos limpos, gravados em quatro visitas

Antes de sintetizar, colei o texto da carta num conversor de texto para fala só pra ouvir o ritmo. Como texto para voz grátis não custa nada, errar ali não dói no bolso. E fez diferença: as muletas da fala dela — “ai”, “eita”, “ocê sabe” — precisavam cair nos lugares certos, senão a carta virava bula de remédio.

Nesse meio-tempo eu também testei clonar minha voz online, só pra comparar. A minha saiu perfeita de primeira. A dela, não. E isso diz muito: o modelo já viu milhares de vozes jovens de cidade grande. Voz de senhora do interior, ele viu pouquíssimas.

Aí subi os 20 minutos. Esperei alguns minutos. A primeira frase saiu, e minha irmã, que estava do lado mexendo no celular, parou a mão no ar.

“Ô meu filho...” — o final descendo, com um chiado leve. Era ela.

A carta pronta, e o que eu aprendi depois

Dividi tudo em 26 blocos, uma ou duas frases cada, da infância dela até o jeito que ela me criou. Com esse tanto de bloco, gerar sem travar faz diferença — e é aí que voz sintética sem cadastro salva: abre a página, cola, gera. Minha irmã, que não instala nada no computador dela desde 2019, fez sozinha, sem me chamar uma vez.

Uma dica que ninguém dá: não persiga áudio perfeito. Eu deixei de propósito um pouco de respiração, um estalinho de boca aqui e ali. Ficou mais humano. Limpo demais vira locução de banco, não vira sua avó.

Se o sotaque for muito fechado, não brigue com a ferramenta. Escolha os trechos em que a pessoa está mais solta, treine com eles, e misture o resto com uma versão mais neutra. Quem é da família nem percebe a costura.

E se você precisa de volume — tipo 50 blocos, ou uma semana inteira de Reels narrados pro TikTok e pro YouTube — vale olhar uma API de síntese de voz gratuita e deixar rodando em fila. Pra quem faz uma carta por ano, como eu, o navegador resolve tranquilamente. Um gerador de voz gratuito no navegador já dá conta de narração IA grátis de vídeo curto, e até dublagem com IA grátis de Reels de 30 segundos sai decente.

Perguntas frequentes

Já gravei um áudio cheio de barulho. Tem salvação?

Tem, um pouco. Passe um redutor de ruído (o Audacity resolve) e corte na mão tudo que tem barulho claro, deixando só os trechos limpos. Se sobrar menos de três minutos, regrave. Regravar leva duas horas; restaurar áudio ruim pode levar duas semanas e ainda sair meia-boca.

Clonar sotaque é muito mais difícil que clonar voz “neutra”?

Muito. O modelo já viu português padrão até cansar; sotaque do interior do Nordeste, do Sul, de cidade pequena, ele viu pouco. Então cada segundo que você entrega precisa ser puro. E o sistema de tons do sotaque tem coisas que o português padrão nem tem — precisa de mais amostra pra pegar. Conversa solta vale mais que texto lido, sempre.

Até onde vai uma ferramenta gratuita?

Depende do que você quer. Pra carta de família, narração de Reels, audiolivro com voz IA grátis pra ouvir no carro, dá e sobra. Pra dublagem com IA grátis de vídeo curto, também rola. Agora, se você precisa de dublagem comercial, texto longo e estável, aí é outro papo — aí é plano profissional. No meu uso, o caminho gratuito resolveu, e o custo de errar foi zero. Deixei mais tutoriais na página de novidades, se quiser fuçar.

Não deixe pra depois

Minha avó morreu há dois anos.

A carta está no meu celular e numa pasta na nuvem. No último Natal eu coloquei pra tocar, minha mãe chorou, e minha sobrinha de cinco anos perguntou “quem é essa tia falando?”. Ela não entendeu nada. Um dia vai entender — e vai saber que aquela é a voz da bisavó, no idioma que ela trouxe pra cá.

Se você tem alguém assim em casa, não espere. Escolha um sábado à tarde, desliga o ventilador, apoia o celular em cima de uns livros e pergunta: “como era o seu Natal quando você era pequena?”. O resto a ferramenta faz.