Síntese de Voz com IA
Ir para notas que citam estaSíntese de voz com IA é a conversão de texto em fala por modelos de IA, incluindo a clonagem da voz de uma pessoa a partir de uma gravação curta.
A forma mais simples é o text-to-speech embutido nos assistentes conversacionais, que leem a resposta em voz alta. A partir daí a tecnologia avança em dois sentidos: reproduzir a voz de uma pessoa específica e combinar essa voz com imagem, gerando vídeos em que um avatar fala com os lábios sincronizados. É uma das faces da Multimodalidade, com o modelo saindo do texto para outros formatos.
Leitura em voz alta, clonagem e avatares
No ChatGPT, um botão lê a resposta em voz alta. A voz é compreensível, mas tem um sotaque perceptível em algumas palavras.
A clonagem vai além. Envia-se cerca de um minuto de gravação da própria voz e, em seguida, um texto, e a ferramenta reproduz o texto com a voz clonada, com boa fidelidade. Também dá para pedir nuances na fala ou descrever o tipo de voz desejado, embora sotaques regionais muito específicos possam não sair como esperado. A ElevenLabs é a ferramenta citada como referência para gerar e clonar vozes.
Um passo além estão as ferramentas que simulam o rosto junto com a voz, sincronizando o movimento dos lábios com a fala gerada.
Onde a voz sintética entra no trabalho de desenvolvimento
Os usos mais diretos são narrar conteúdo gerado por IA, dublar personagens e dar a um Agente de IA uma interface por voz. O limite aparece quando há poucas vozes clonadas disponíveis: gerar vozes distintas para vários personagens pode dar um resultado insatisfatório, e a saída costuma ser usar vozes prontas de narrador.