Transformei as histórias de dormir da minha filha em audiolivro: uma semana testando TTS grátis e o erro estava no áudio de referência

Minha filha apareceu no quarto às 21h30, com o Menino Maluquinho debaixo do braço, e soltou: “Pai, hoje deixa o celular contar? Sua voz tá rouca.”

Tava rouca mesmo. Duas semanas narrando Chapeuzinho, João e o Pé de Feijão e mais umas três por noite, e a garganta simplesmente pediu demissão. Amigdalite batendo na porta.

Então pensei: beleza, hora de testar texto para voz grátis.

O primeiro resultado… como dizer. Ela ouviu dois segundos, devolveu o celular e sentenciou: “Não é você.”

Era minha voz, mas não era. Parecia eu lendo ata de reunião. Com máscara.

O problema não é a ferramenta, é o áudio de referência

Comecei com um gerador de voz gratuito que pedia cadastro, confirmação por SMS, essas coisas. Subi um áudio de WhatsApp como referência — uns 30 segundos dizendo “oi, aquele orçamento eu vejo amanhã”. O que saiu foi dicção impecável e zero emoção. Parecia estagiário de locução no primeiro dia.

Depois caiu a ficha: áudio de WhatsApp é comprimido, taxa de amostragem baixa, tem eco e chiado de rede. Alimentar o modelo com isso é como pedir um retrato a partir de uma foto tremida.

A diferença entre quem entende e quem só reclama é exatamente essa. Todo mundo fica olhando os parâmetros do modelo, mas o que decide o jogo são aqueles 20 segundos que você grava.

Quando troquei para clonagem de voz grátis e regravei a referência, mesmo modelo, resultado completamente outro. Nada a ver.

Como gravar o áudio de referência sem parecer robô

Vou detalhar porque refiz quatro vezes.

Nada de gravar na sala. Geladeira zumbe, carro passa na rua, o ouvido humano filtra isso automaticamente — o microfone não. Eu fui pro guarda-roupa. Roupa absorve som, e o resultado foi surpreendentemente bom. Se não tiver guarda-roupa, monta um ninho de cobertor e enfia o celular dentro.

Quinze a trinta segundos, não seja ganancioso. Curto demais e o modelo não pega o timbre. Longo demais e qualquer tosse, qualquer página virada entra no aprendizado. Gravei quase dois minutos uma vez e toda frase terminava com um restinho de pigarro. Assustador.

Não leia texto. Esse é o mais contraintuitivo. Se você declamar “Minha terra tem palmeiras”, sai voz de locutor de FM. Fale do cotidiano: “que que a gente janta hoje? tem meio pote de morango na geladeira, se não comer estraga”. Ritmo normal, com emoção, pode até rir no meio. O modelo aprende como você fala, não como você recita.

Microfone a um palmo, inclinado uns 45 graus. Colado na boca estoura; longe demais pega a reverberação do ambiente.

Grave três vezes e escolha a melhor. Parece trabalhoso, são cinco minutos. Meu hábito agora é dizer três frases diferentes e voltar ouvindo até achar a que mais parece “eu contando história de verdade”.

Detalhe que ninguém comenta: beba água morna antes, nada gelado. Voz apertada sai oscilante, e isso também é aprendido pelo modelo.

Aliás, o texto para fala online que usei essa semana não pede cadastro. Abre e usa. Pra quem tem pregúria de preencher formulário e confirmar e-mail — eu — isso vale ouro; já desisti de plataformas no meio do cadastro. Voz sintética sem cadastro eu não dava bola, até uma amiga querer usar e travar exatamente nisso. E é grátis de verdade: não bati em limite de caracteres. Um livro infantil tem duas, três mil palavras. Ferramenta com teto de caracteres não serve pra quem faz história longa.

Não é só pra história de dormir

Descobri isso no meio do caminho. Uma amiga usa dublagem com IA grátis nos Reels e no TikTok, e o ganho de tempo é absurdo — ela grava o vídeo, joga o texto e resolve a locução automática gratuita em minutos. Outro conhecido narra vídeo de YouTube com narração IA grátis. Eu mesmo pensei em fazer um audiolivro com voz IA grátis pra minha mãe, que já não enxerga bem pra ler no celular.

O ponto é que text to speech em português grátis hoje resolve coisas que há dois anos eu achava impossível sem pagar. E não é só “traduzir” o texto: a pronúncia em português tem que estar certa, senão a criança corrige na hora.

Meu fluxo real durante a semana

Segunda à noite, escolhi três livros e digitei tudo no bloco de notas. Ao digitar, fiz três coisas:

  • troquei número por extenso (“3 porquinhos” virou “três porquinhos”), senão sai “three”
  • quebrei frase longa e usei vírgula onde eu respiraria — pontuação é pausa
  • revisei palavra com pronúncia ambígua antes de sintetizar

Depois sintetizei, escutei, voltei a mexer na pontuação. Duas noites de bagunça; na terceira engatou. Porque a referência já estava definida e sobrou só trabalho de texto. Clonar minha voz online roda em segundos — o que consome tempo é editar o roteiro.

Sinceramente? Voz IA grátis com essa qualidade eu não acreditava há dois anos. Achava que era teste de três dias ou áudio embolado. Errei feio.

Onde eu quase me ferrei

Uma plataforma anunciava “clonar voz grátis” e no plano free liberava só um minuto de síntese. Passou disso, fila. Travei no meio, criança esperando do lado, cena lamentável. Antes de escolher qualquer sintetizador de voz grátis, confere se é ilimitado mesmo — porque quase todos colocam uma pedra no caminho em algum ponto.

FAQ: as perguntas que mais me fizeram

Quantos segundos precisa ter o áudio de referência?

De 15 a 30. Na minha experiência, 20 é o ponto ideal. Menos de 10 segundos e o timbre oscila; mais de 1 minuto e a chance de ruído entrar sobe muito. Se você não tem um lugar silencioso, prefira um trecho curto e limpo a um longo e sujo.

O microfone do celular serve?

Serve. Usei um celular de três anos atrás e não consegui ouvir diferença pra microfone externo. O que manda é o ambiente, não o equipamento. Gravar no guarda-roupa com o celular dá resultado melhor do que gravar na sala com microfone profissional.

Dá pra clonar a voz de uma criança?

Tecnicamente, sim. Mas eu não recomendo. A voz da criança ainda está mudando, o timbre é instável e fica difícil garantir uma referência boa. E, sinceramente, ouvir a própria voz narrando soa esquisito. Prefiro usar a minha, mesmo imperfeita.

Se quiser ver como outras pessoas resolveram, tem mais tutoriais e casos práticos — li alguns e a lista de erros é bem honesta.

O que eu faço agora

Domingo à noite eu gasto uns 20 minutos, sintetizo as cinco histórias da semana e salvo tudo numa pasta. Ela escolhe a que quer ouvir. Quando a garganta deixa, eu conto pessoalmente — máquina nenhuma substitui isso.

Mas nas noites de amigdalite, a história não para.

Se você quer testar, não comece com texto longo. Grave 20 segundos de referência, sintetize uma frase só e escute. Parece você? Segue em frente. Não parece? Volta pro guarda-roupa. São dez minutos que decidem todo o resto.