MUDADOR DE VOZ COM IA
Mudador de voz com IA que roda no seu navegador
Dois clipes entram, um sai. O primeiro fornece as palavras, o ritmo e a entonação; o segundo fornece a voz. O filtro de áudio do Audiofilter faz a conversão dentro desta aba — nenhum dos dois clipes é enviado, e não é preciso conta.
LABORATÓRIO DE ÁUDIO LOCAL
Mudar uma voz
Dê a ele algo para converter e uma amostra da voz para a qual converter.O que for dito aqui é o que sai — só a voz muda.
Uma amostra da voz alvo. O que funciona melhor é fala limpa de uma única pessoa.
Não use isto para se passar por alguém nem para qualquer outra finalidade ilícita. Veja os Termos.
O que ele faz de verdade
Isto é um conversor de timbre, que é algo mais estreito e mais previsível do que “mudador de voz” costuma sugerir. Ele não altera o que é dito nem como é dito. Sua gravação mantém as palavras, o ritmo, as pausas e a ênfase; o que é substituído é a identidade de quem fala.
O mecanismo, na ordem em que roda: um codificador de referência escuta sua amostra de voz e a destila em 256 números — é essa toda a representação de uma voz aqui. Um codificador posterior transforma sua gravação em uma sequência latente. Um fluxo normalizador leva essa sequência para um espaço neutro em relação ao falante e a traz de volta condicionada por aqueles 256 números, e um vocoder reconstrói uma forma de onda a partir do resultado.
O fluxo é a única parte que enxerga o embedding do falante, e é por isso que a conversão fica tão limpa: o codificador e o vocoder fazem um trabalho independente do falante, e a troca de identidade acontece em um único lugar.
Ele precisa de áudio como ponto de partida e não faz nada com palavras digitadas. Se você quer gerar fala a partir de texto — com clonagem de voz própria — use a ferramenta de texto para voz .
O que custa rodar isso localmente
Números honestos, medidos nesta versão em vez de estimados:
| Item | Valor | Por quê |
|---|---|---|
| Download na primeira visita | Cerca de 102 MB, uma vez | Os pesos do conversor, em cinco pedaços porque uma hospedagem estática limita arquivos a 25 MiB. Depois ficam em cache. |
| Velocidade de conversão | Cerca de 18 s de processamento por 1 s de áudio | Três estágios WaveNet consomem 82 por cento disso, e o vocoder o resto. Não há um único ponto quente para remover. |
| Duração do clipe | Até 10 segundos de entrada, 30 segundos de referência | Cinco segundos já significam cerca de um minuto e meio de espera, e alongar só alonga mais. A referência é barata — o codificador dela custa cerca de 6 ms. |
| Saída | 22 050 Hz mono, WAV em ponto flutuante de 32 bits | 22 050 Hz é a taxa interna do modelo. Ponto flutuante em vez de 16 bits para que as passagens baixas mantenham seus detalhes. |
Como chegar a um resultado que valha a pena guardar
- Dê à referência de cinco a quinze segundos de fala limpa. Uma pessoa só, sem música, sem uma segunda voz. Mais longo não é melhor — de todo jeito tudo se reduz a 256 números.
- Grave a referência em um lugar silencioso. O conversor reproduz a sala junto com a voz, então um ventilador na amostra vira um ventilador no resultado. Se sua única amostra tem ruído, passe-a antes pelo redutor de ruído .
- Dê a ele fala, não canto. Notas sustentadas e vibrato estão fora daquilo para que este modelo foi feito.
- Mantenha a origem limpa também. O ruído de fundo da origem sobrevive à conversão; isto não é uma ferramenta de limpeza.
- Teste mais de uma referência. Algumas vozes se transferem melhor que outras, e testar duas referências é mais rápido do que brigar com uma.
Onde não vai funcionar
- Qualquer coisa longa. Dez segundos por passada, e a espera cresce de forma linear com a duração — dez segundos já são uns três minutos. Para uma locução não serve.
- Tempo real. A dezoito segundos de trabalho por segundo de áudio, conversão ao vivo está fora de cogitação em uma aba do navegador.
- Canto e música. Somente fala.
- Mudar o que foi dito. Aqui não há edição, apenas nova locução.
- Aparelhos com pouca memória. O modelo precisa de uns 200 MB de memória de trabalho enquanto carrega. Um celular modesto pode não ter essa folga.
A ferramenta vai converter para qualquer referência que você entregar, e é exatamente por isso que a escolha é sua e você responde por ela. Clonar a voz de uma pessoa real sem o consentimento dela pode violar direitos de imagem, e várias jurisdições já têm leis específicas sobre semelhança de voz — o direito autoral não é a única questão em jogo. Use a sua própria voz, ou uma para a qual você tenha permissão. Aqui nada é enviado, então isto não é a gente te vigiando; é um lembrete de que a responsabilidade é de quem aperta o botão.
Não é para uso ilícito. Fazer passar uma voz convertida pela de outra pessoa, enganar uma pessoa ou um sistema de autenticação por voz, assédio, difamação — nada disso é um uso para o qual esta ferramenta é oferecida, e nada disso deixa de ser ilícito porque a conversão aconteceu na sua própria máquina. O que a lei permite muda de país para país, e ficar dentro da lei do lugar onde você está é responsabilidade sua. O seu uso deste site é regido pelos Termos.
O resto do conjunto de filtros de áudio do Audiofilter
- Removedor de voz com IA — separa uma música em uma acapela isolada e um instrumental pronto para karaokê.
- Redutor de ruído com IA — tire o zumbido do ventilador, o ar-condicionado e o chiado do microfone de trás da fala.
- Texto para voz com IA — 19 vozes, mais clonagem a partir de uma amostra curta.
- Conversor de áudio e compressor de MP3 — converta entre formatos, ou reduza um MP3.
PERGUNTAS E RESPOSTAS
Perguntas frequentes
Como funciona este mudador de voz com IA?
É um conversor de timbre. Sua gravação fornece as palavras, o ritmo e a entonação; o clipe de referência fornece a identidade da voz. Um codificador de referência transforma a amostra em um embedding de falante de 256 números, e um fluxo normalizador recondiciona seu áudio nesse embedding antes de um vocoder reconstruir a forma de onda.
Preciso digitar alguma coisa, como em uma ferramenta de texto para voz?
Não, e a partir de texto ele não funciona. Isto converte áudio que você já tem. Se você quer fala a partir de palavras digitadas, use a ferramenta de texto para voz, que tem clonagem de voz própria.
Meu áudio é enviado para algum lugar?
Não. O modelo é baixado uma vez para o seu navegador e a conversão roda ali. Abra o painel de rede antes de converter: cada requisição é um download do modelo a partir deste site, e nada leva seu áudio no sentido contrário.
Quanto tempo leva uma conversão?
Cerca de 18 segundos de processamento para cada segundo de áudio, então um clipe de cinco segundos leva cerca de um minuto e meio. Isso é medido, não estimado — o trabalho roda no seu próprio processador em vez de em um servidor, e este modelo é pesado.
De que tamanho pode ser o clipe que eu converto?
Até 10 segundos, e um clipe curto é a escolha confortável. Isso vem direto do número acima: cinco segundos são cerca de um minuto e meio de espera e dez segundos uns três minutos. O limite fica onde a paciência acaba, não é um plano pago.
Qual deve ser a duração do clipe de referência?
De cinco a quinze segundos de fala limpa de uma única pessoa já bastam. Mais longo não ajuda: o codificador de referência custa cerca de 6 milissegundos de qualquer jeito, e de todo modo destila o clipe inteiro em 256 números.
Por que o resultado soa como o meu quarto?
Porque uma amostra de voz carrega a sala junto. O conversor reproduz o que ouve na referência, incluindo reverberação, chiado e o caráter do microfone. Grave a referência em um lugar silencioso, ou limpe-a antes com o redutor de ruído.
Qual taxa de amostragem o resultado usa?
22 050 Hz mono, que é a taxa com que o modelo trabalha internamente. Ele é baixado como WAV em ponto flutuante de 32 bits para que as passagens baixas mantenham seus detalhes.
Posso clonar a voz de qualquer pessoa com isto?
Tecnicamente ele vai converter para qualquer referência que você der, e é justamente por isso que a escolha importa. Clonar uma pessoa real sem o consentimento dela pode violar direitos de imagem e, em várias jurisdições, leis específicas sobre semelhança de voz — o direito autoral não é a única questão. Use a sua própria voz, ou uma para a qual você tenha permissão.
Qual é o tamanho do download, e ele se repete?
Cerca de 102 MB, uma vez. O navegador guarda em cache, então visitas seguintes já começam a converter na hora. Chega em cinco pedaços porque uma hospedagem estática limita arquivos individuais a 25 MiB.
Quer limpar uma gravação em vez de trocar a voz dela?
Abrir o redutor de ruído → Abrir texto para voz →