Sabe aquele áudio de 40 minutos que postei no YouTube semana passada? O de suspense, narrado em primeira pessoa, com aquela voz rouca de quem não dorme há duas noites? Pois é. Não sou eu.
Quer dizer, a voz é a minha. Os pulmões, a garganta, o jeito de engolir o 'r' no final das frases — tudo meu. Mas quem leu o texto foi uma IA que eu treinei num site grátis num domingo à tarde, de pijama, tomando café frio. E o mais louco: nos comentários, ninguém desconfiou. Teve gente pedindo 'mais episódios com essa narração imersiva', outro dizendo 'sua voz combina demais com thriller'.
Ironia? Um pouco. Alívio? Muito.
O estalo: por que diabos eu não gravei eu mesmo?
Porque gravar audiolivro de verdade é um inferno. Você acha que é só sentar e ler? Tenta ler 300 páginas sem tossir, sem estalar a língua, sem o vizinho ligar a furadeira no meio do clímax. Tenta manter o mesmo timbre, o mesmo ritmo, a mesma 'alma' do capítulo 1 até o capítulo 27. Eu tentei. Duas vezes. Na primeira, desisti no capítulo 3 com a voz falhando. Na segunda, o arquivo de 4 horas ficou com volume oscilando, ruído de ar-condicionado, e uma entonação que... bom, parecia leitura de bula de remédio.
Foi aí que lembrei do web666.cc — um site que eu já usava pra fazer voiceover rápido pros Reels do Instagram. Tinha uma aba de clonagem de voz grátis que eu nunca tinha testado a sério. Pensei: 'e se eu clonar minha própria voz e mandar a IA ler o livro por mim?'
Pior cenário: perco uma tarde. Melhor: resolvo um problema que me travava há meses.
Passo 1: a 'mãe da voz' — e por que seu WhatsApp de áudio não serve
Muita gente acha que mandar um áudio de 30 segundos pro site já clona a voz. Não clona. O que sai é uma caricatura: plana, metálica, sem respiração. O segredo — e isso ninguém te conta nos tutoriais do TikTok — é a qualidade do material de treino.
O site pede 'amostra de voz'. Eu fiz diferente:
- Tranquei no banheiro (azulejo absorve eco, quem diria).
- Celular no modo avião, gravador nativo, 44.1 kHz, WAV.
- Microfone do fone de ouvido mesmo, a uns 15 cm da boca.
- Li um artigo da Superinteressante — texto técnico, frases médias, pouca emoção. 12 minutos direto. Sem parar. Água do lado pra não dar 'clique' de garganta.
- Detalhe crucial: forcei a fala 'seca'. Final de frase baixo, sem aquela subida de locutor de rádio. Porque a IA copia tudo — inclusive seu vício de subir o tom no fim. Se você faz isso, seu clone vai narrar terror com voz de 'olha que legal!'.
Cortei o silêncio do começo e do fim no próprio celular. Subi o WAV pro site. Demorou uns 8 minutos processando. Fui lavar a louça.
Passo 2: o primeiro teste — e o momento 'caramba, sou eu'
Voltei. Cliquei em 'Testar'. Digitei: 'O relógio marcava três da manhã quando o telefone tocou. Ninguém liga às três da manhã pra dar boa notícia.'
O áudio saiu. Coloquei o fone. Arrepiei.
A pausa depois de 'tocou'. O jeito arrastado do 'ninguém'. Até o micro-engolido antes de 'boa notícia' — um tique meu que eu nem sabia que tinha. A clonagem de voz grátis tinha capturado micro-hábitos, não só o timbre.
Mas... tinha um 'porém'. No final de 'notícia', um chiado fino. Quase imperceptível, mas eu ouvi. Voltei no arquivo original: tinha um ruído de fundo justamente nesse trecho — o compressor da geladeira ligou. A IA aprendeu o ruído junto.
Lição: seu material de treino tem que ser cirurgicamente limpo. Qualquer 'hum' vira DNA do clone.
Regravei só o trecho problemático (2 minutos), subi de novo. Desta vez, limpo.
Passo 3: o pulo do gato — não jogue o livro inteiro na caixa de texto
Aqui 90% das pessoas erram. Copiam o Word, colam no texto para voz grátis, dão 'Gerar', e acham que tá pronto. Não tá.
O sintetizador de voz grátis (mesmo o bom) perde o fio da meada em texto longo. Depois de 800 palavras, ele acelera, engole sílabas, esquece onde era pausa dramática. O resultado soa como robô com pressa.
Meu fluxo real:
- Abri o Scrivener (pode ser Word, Notion, o que você usa).
- Separei narração de diálogo. Criei duas colunas.
- Na narração: velocidade normal, tom neutro.
- Nos diálogos: adicionei tags emocionais entre colchetes — isso o web666.cc entende nativamente, mas pouca gente sabe.
Exemplo:
`` [calmo] O relógio marcava três da manhã. [tenso] — Quem é? — perguntei, sem me mexer. [medo contido] A voz do outro lado gelou meu sangue. ``
O site lê as tags e ajusta pitch, speed, pausa. Sem isso, seu protagonista fala 'quem é?' com a mesma entonação de 'o relógio marcava três da manhã'. Fica ridículo.
Outro macete: gero blocos de 400-500 palavras no máximo. Cada bloco vira um arquivo .wav separado. Depois junto tudo no CapCut (grátis, roda no celular) colocando 0,35s de silêncio entre blocos. Isso simula a respiração natural de quem vira a página. Sem esse silêncio, a emenda gruda e denuncia a montagem.
Passo 4: a 'maquiagem' que engana o ouvido humano
Mesmo com tags e blocos, a voz clonada tem uma 'assinatura digital': pausas matemáticas. Humano para 0,6s na vírgula, 1,2s no ponto final, 0,3s pra respirar no meio da frase longa. IA para 0,2s em tudo. O ouvido percebe, mesmo inconsciente.
Minha gambiarra (funciona, não me julgue):
- Gero o áudio completo com minha voz clonada.
- No CapCut, gero outra versão do mesmo texto com uma voz 'padrão' do site — uso a 'Locutora Brasileira' (aquela voz quente, de audiolivro comercial).
- Coloco as duas faixas uma em cima da outra.
- Minha voz clonada: volume 70%.
- Voz padrão: volume 12%.
O que acontece: a voz padrão traz micro-respirações, ruído de boca, variações minúsculas de timbre que minha clonagem (ainda) não tem. Como ela tá baixinha, ninguém percebe que são duas vozes. Mas o cérebro do ouvinte registra 'ah, isso soa humano'.
Testei com minha esposa. Ela ouviu os dois versions (só clone vs. mix). Disse: 'A segunda tem mais... alma? Não sei explicar.'
Passo 5: o truque do ruído de fundo (esse eu aprendi com podcaster gringo)
Sabe aquele 'plástico' na voz sintética? Fica forte entre 2-4 kHz. É a assinatura do vocoder. Como esconder? Ruído ambiente.
Baixei no Freesound.org (grátis, licença CC0) um ambiente de 'chuva na janela + ruído de cidade longe'. Coloquei na faixa de baixo, ganho -32 dB. Quase inaudível.
Resultado: o 'plástico' sumiu. O cérebro foca na chuva, na voz, e preenche as imperfeições. Subi pro Spotify for Podcasters (antigo Anchor) e pro YouTube como 'Episódio 1 - Audiolivro Original'.
Passou na moderação dos dois. Zero flag de 'voz sintética'.
O que ainda não dá pra fazer (e tá tudo bem)
Vou ser honesto: meu clone não chora. Não faz 'voz trêmula de quem vai desabar'. Não faz risada contida. Não faz sussurro real (sai um vento estranho). Cenas de emoção extrema eu gravo eu mesmo — 2, 3 takes, e insiro no meio. Fica perfeito.
Também: capítulos longos (acima de 25 min) começam a mostrar fadiga no final. A entonação fica repetitiva. Solução? Divido em 'Parte 1' e 'Parte 2'. Ninguém reclama.
E tem a questão legal: só uso minha própria voz. Clonar voz de outro sem autorização é crime no Brasil (LGPD + direito de imagem + lei de direitos autorais). Não arrisco. Meu CPF, minha voz, meu risco zero.
Quanto tempo/gasto real?
- Preparação da amostra: 25 min
- Treino + testes: 20 min
- Taggear o livro (120 páginas): 3h
- Geração em blocos: 1h (roda em background)
- Edição/mix no CapCut: 2h
- Upload + metadados: 30 min
Total: ~7h para ~2h30 de áudio final. Custo: R$ 0,00.
Se eu fosse gravar no estúdio mais barato de SP: R$ 150/hora x 10h (gravação + edição) = R$ 1.500. Mínimo.
Vale a pena pra você?
Se você tem:
- Um texto pronto (livro, conto, roteiro de podcast narrativo)
- Zero orçamento
- Vontade de publicar essa semana
- Paciência pra editar tag por tag
Sim. Vale.
O gerador de voz gratuito do web666.cc não é perfeito. Mas ele te dá 85% do caminho. Os 15% restantes são sua edição, seu ouvido, sua teimosia de ajustar pausa por pausa. E isso ninguém faz por você — nem ferramenta paga.
Meu segundo audiolivro (um conto de terror curto) já tá na fila. Dessa vez vou testar a dublagem com ia grátis pra fazer as vozes dos outros personagens — o protagonista continua meu clone, mas o vilão, a testemunha, o delegado... cada um com uma voz clonada diferente, todas grátis, todas treinadas com amostras de 10 min que eu mesmo gravei mudando a voz (ator de uma pessoa só, kkk).
Se der certo, te conto. Se der errado, também.
Quer testar agora? Abre o site de clonagem de voz, grava tua amostra no banheiro, e me marca no Instagram quando sair o primeiro episódio. Vou adorar ouvir — e tentar adivinhar onde você errou a pausa.
(Se quiser pular a parte de clonar e só testar locução automática gratuita direto, o TTS em português roda liso no celular. Sem cadastro. Só colar o texto e baixar.)
P.S.: Se você usa isso pra criar conteúdo pro TikTok/Reels/Shorts — avisa na legenda que é voz IA. A transparência evita shadowban e constrói confiança. Aprendi na marra: um vídeo meu viralizou, gente descobriu que era IA nos comentários, e a repercussão virou 'ele nos enganou' em vez de 'que tecnologia incrível'. Erro meu. Não cometa o mesmo.