Clonei minha voz com uma gravação feita na cozinha e joguei 37 vídeos de produto no lixo

Clonei minha voz com uma gravação feita na cozinha e joguei 37 vídeos de produto no lixo

Era véspera de Black Friday. Eu tinha 37 vídeos de produto já cortados no editor, thumbnails prontas, legendas revisadas. Nenhum deles foi publicado naquele dia.

O motivo? A locução.

A história é ridícula de tão boba. Eu estava com preguiça de contratar locutor, olhei pro celular e pensei: "a IA clona voz em dois minutos, por que não?". Então numa quarta à noite eu apoiei o celular na bancada da cozinha, encostado no pote de café, e li três minutos de texto de anúncio em voz alta. A coifa estava ligada. A torneira pingava. O cachorro do vizinho latia pra alguma coisa. E alguém, três casas abaixo, resolveu furar uma parede exatamente naquele momento.

Subi o arquivo, esperei, e o que voltou parecia uma pessoa falando de dentro de um cano. Final de frase abafado, respiração fora de lugar, e um zumbido constante por baixo de tudo. Quando chegou em "frete grátis pra todo o Brasil", eu já tinha fechado o player.

O erro não foi da ferramenta

Vale entender como a clonagem de voz funciona de verdade. O modelo não "ouve" você e entende o que é voz e o que é barulho. Ele extrai características de timbre do arquivo inteiro. Tudo que está ali entra na conta.

Se você entrega um áudio sujo, ele não vai ser esperto o bastante pra separar a coifa da sua voz — ele aprende a coifa como se fosse parte de você. E aí todo áudio gerado depois carrega aquele zumbido de brinde. Pra sempre.

Meu segundo erro foi o tamanho. Três minutos e doze segundos, com duas tosses no meio e uma risada porque eu errei a palavra "inox". Amostra curta demais e cheia de ruído: o modelo só pode chutar. E o chute sai naquele tom esquisito de "parece você, mas não é você". Familiar e errado ao mesmo tempo.

O terceiro erro foi o pior, e não tem nada de técnico: eu gerei as 37 locuções em lote sem escutar nenhuma antes.

Os quatro furos do meu processo

• Ambiente: cozinha, coifa ligada, obra na rua, cachorro latindo
• Equipamento: microfone do celular, a 30 cm da boca, segurando com a mão
• Amostra: 3min12s, com tosse e risada no meio
• Teste de escuta: zero. Gerei tudo de uma vez e fui dormir

Repara: nenhum item da lista é "a ferramenta é ruim". Todos são meus.

Refazendo do zero: o que eu mudei

Primeiro, o lugar. Entrei no guarda-roupa, fechei a porta, empilhei dois casacos atrás de mim, coloquei o celular em modo avião e deixei ele a um palmo da boca. Oito minutos lendo frases neutras, sem emoção, do tipo "500 ml, parede dupla, mantém gelado por 12 horas". Sem interpretar. Sem drama. Só voz limpa.

Segundo, o fluxo. Em vez de gerar o vídeo inteiro de uma vez, fatiei o roteiro por cena, em blocos de 5 a 8 segundos. Parece detalhe, mas muda tudo: se uma frase sai com a ênfase errada, você regera só aquele pedacinho em vez do vídeo todo.

Com a amostra limpa, o resultado mudou na hora. Fiz a clonagem de voz grátis e o final das frases veio seco, sem aquele abafado. Quando falou "preço no carrinho", eu quase não reconheci que era sintético.

Já testei bastante sintetizador de voz grátis nesse meio tempo. Alguns limitam caracteres, outros colocam você numa fila, outros liberam três gerações e depois empurram um pop-up de upgrade. O VoxClone não tem limite de texto — pelo menos eu nunca bati em aviso de cota. E ser voz sintética sem cadastro ajuda demais no dia a dia: não preciso criar conta, confirmar e-mail, esperar código pra gerar 20 segundos de áudio.

Hoje eu trato isso como um gerador de voz gratuito de uso diário. Escrevo o texto, colo, sai o áudio em segundos. Não gostei? Troco duas palavras e refaço.

Sobre a parte "grátis" — papo reto

Quando comecei, eu só queria um texto para voz grátis pra quebrar um galho. E confesso que desconfiei: clonar voz grátis com promessa de "pra sempre" cheira a isca. Usei dois meses esperando a cobrança aparecer. Não apareceu.

O texto para voz grátis também funciona sem login e sem número de telefone, o que pra mim já vale mais do que qualquer recurso extra. E a API gratuita de síntese eu cheguei a plugar num script pra rodar versões de teste das descrições de produto em lote — deu conta.

Mas grátis não é mágico. A ferramenta não escreve o roteiro, não decide onde pausar, não olha o ritmo da sua edição. Ela transforma texto em fala. O resto continua sendo seu trabalho.

Onde mais isso me serve

Vídeo de produto é só a ponta. Uso a mesma voz clonada pra narração IA grátis nos Reels de bastidor, pra dublagem com IA grátis de vídeos que eu gravo em português e quero soltar em espanhol, e andei brincando de fazer audiolivro com voz IA grátis com uns contos antigos meus. Locução automática gratuita resolve 80% do que aparece na minha semana.

O que não resolve: aquele tom de vendedor empolgado, de feira, de "corre que acaba". Pra isso você ainda precisa ajustar a pontuação, escrever com mais intenção, ou chamar uma pessoa. Voz IA grátis economiza o custo do locutor, não o custo do julgamento.

Perguntas frequentes

Meu ambiente é barulhento. Dá pra limpar com redutor de ruído antes de clonar?

Dá, mas não espere milagre. O redutor não sabe diferenciar o liquidificador do ar que sai da sua boca — quando ele corta o ruído, geralmente leva junto detalhes do timbre. Prefiro regravar cinco minutos num lugar quieto. Sem lugar quieto? Guarda-roupa, porta fechada, roupa empilhada atrás. Esse truque caseiro funciona melhor que a maioria dos plugins.

Qual o tamanho ideal de cada trecho gerado?

Fatio por cena, de 5 a 8 segundos. Mais longo que isso e fica difícil acertar a ênfase no ponto certo do corte; mais curto, o fraseado sai picado. Gerar em pedaços e juntar no editor é bem mais flexível do que mandar o texto inteiro de uma vez.

Posso usar a voz clonada em vídeo comercial?

Depende dos termos da plataforma e depende de você. Minha regra é simples: só clono a minha voz ou a de alguém que autorizou por escrito. Não encosto em voz de famoso, de apresentador, de áudio que apareceu no grupo do WhatsApp. Vender produto com a voz de outra pessoa é problema jurídico na certa, e nenhuma ferramenta gratuita te protege disso.

O que eu faço hoje, na prática

Meu fluxo está travado assim: oito minutos de gravação limpa no guarda-roupa, upload pra clonar minha voz online, fatiamento por cena, escuta uma por uma, e só depois manda pro editor. As 37 locuções perdidas eu refiz em duas noites.

Se você está prestes a gerar 40 vídeos em lote com uma amostra gravada às pressas, para tudo. Gasta cinco minutos num canto silencioso e grava uma amostra decente. É chato, é óbvio, e mesmo assim foi a lição que 37 vídeos jogados fora me ensinaram. Tem mais coisa que eu fui anotando nesse caminho em outros tutoriais, caso você queira evitar o mesmo prejuízo.