Vídeo com IA

Como clonar voz com IA com qualidade (e por que trocar a voz rende mais que gerar)

Por Douglas Lopes · Publicado em 30 de outubro de 2026

Para clonar voz com IA, você grava de 1 a 2 minutos de fala limpa, sobe o áudio numa ferramenta como a ElevenLabs e confirma que tem direito sobre aquela voz. O que decide a qualidade é a gravação, não a duração. Em vídeo, trocar o timbre de uma fala que já existe costuma render mais do que gerar a fala a partir do texto.

Clonar a voz virou a parte fácil. O difícil vem depois: a voz clonada sair abafada, mudar de timbre de uma frase para outra ou desencontrar da boca no vídeo. Neste artigo eu mostro como fazer o clone, quanto áudio gravar e, principalmente, como usar esse clone em vídeo. Tudo com base na ElevenLabs, a ferramenta que eu uso na produção, e nos defeitos que já tive que consertar em peças reais.

Como clonar voz com IA, passo a passo

O caminho é parecido em quase toda ferramenta. Uso a ElevenLabs como exemplo porque é a que conheço por dentro, e o português do Brasil está entre os idiomas que os modelos multilíngues dela atendem.

1. Grave a amostra: só a sua voz, num lugar silencioso, falando do jeito que você quer ouvir depois. Se a amostra for animada, o clone tende a ser animado.
2. Limpe o áudio: corte música, outras vozes, tosses e silêncios longos.
3. Crie a voz na ferramenta: suba o arquivo ou grave direto nela. Na clonagem instantânea, você confirma que tem o direito e o consentimento para clonar aquela voz.
4. Teste com um texto difícil: nomes, números e uma frase longa. É ali que o clone mostra onde falha.
5. Escolha como vai usar: gerar fala a partir de texto ou trocar o timbre de um áudio que já existe. Essa escolha pesa mais do que parece, e eu explico abaixo.
6. Confira antes de publicar: ouça com fone e compare com a sua voz real.

Quanto áudio é preciso para clonar a voz?

Menos do que se imagina no clone instantâneo, e bem mais no profissional. Os dois funcionam de formas diferentes. No instantâneo, o modelo usa a sua amostra como referência na hora de gerar, sem ser treinado nela. No profissional, o modelo é ajustado com as suas gravações, o que dá mais consistência entre tipos de fala e emoções diferentes.

Um detalhe que surpreende: mais áudio não melhora o clone instantâneo. A documentação da ElevenLabs pede para evitar mais de 3 minutos, porque rende pouco ganho e às vezes até piora. Como gravou conta mais do que quanto gravou. Ela também diz que formato de arquivo não é o que define qualidade: o que define é como o áudio foi captado.

Como gravar a amostra para o clone sair bom

O clone copia tudo o que estiver na gravação, inclusive o que você não queria. A ElevenLabs avisa que ruído de fundo, eco de sala e música entram no modelo junto com a voz. Por isso a preparação vale mais do que o microfone caro.

• Sala abafada: quarto com cortina e tapete é melhor que escritório vazio. A própria documentação sugere um edredom grosso para abafar o espaço.
• Uma voz só: nada de entrevista ou reunião. Se não tiver outro áudio, separe os trechos em que só você fala.
• Mesmo tom do começo ao fim: a amostra deve soar como uma pessoa só, sem misturar palestra animada com conversa baixa.
• Distância fixa do microfone: a orientação da ElevenLabs é ficar a cerca de dois punhos dele e usar um filtro antiestouro, para o volume ficar estável.
• Fale do jeito que vai usar: se o clone vai para anúncio, grave com a energia de um anúncio. Leitura robótica gera clone robótico.

Regra prática: 1 minuto bem gravado vence 10 minutos de reunião pelo celular. Se o clone saiu ruim, refaça a amostra antes de culpar a ferramenta.

Por que trocar a voz rende mais que gerar?

Depois de pronto, o clone pode ser usado de dois jeitos. No primeiro, você digita um texto e ele lê, o chamado texto para fala. No segundo, você entrega um áudio com alguém falando e a ferramenta troca só o timbre, mantendo ritmo, pausas e entonação. Na ElevenLabs, esse segundo caminho é o Voice Changer. Em vídeo, é ele que eu uso.

O motivo é medido. Num clipe de 8 segundos, a fala gerada a partir do texto saiu com 7,24 segundos, e a boca já não batia com o som. A mesma fala pelo Voice Changer saiu com 8,03 segundos, praticamente igual ao vídeo. Os poucos décimos de diferença são o que separa um vídeo que parece gravado de um vídeo dublado.

Há um segundo motivo, que aprendi errando. Quando pedi a uma voz clonada para ler texto puro, ela saiu robótica e abafada, e ainda inventou muletas como "hum" e "é" que não estavam no roteiro. Foram quatro tentativas para sair uma limpa. Para narração sem rosto, passei a usar uma voz pronta de locutor, que soa mais natural nesse uso. Clone não é automaticamente a melhor voz para tudo.

Na prática, o processo que uso é este: o clipe é gerado já com a fala, o áudio dele passa pelo Voice Changer com a voz clonada e volta para o vídeo. Expliquei onde isso entra na produção completa no guia de como criar um avatar com IA e, no conjunto das ferramentas, no artigo sobre a melhor IA para criar vídeo.

Defeitos da voz clonada e o conserto que funcionou

Estes são problemas que apareceram em peças minhas, com o conserto que resolveu. Não incluí defeito que ainda não tenho solução testada.

• Voz estranha em fala lenta e dramática: em vídeo, a cena mais lenta saiu instável, com saltos de tom. Conserto: subir a estabilidade da troca de voz de 0,5 para 0,75. Falas lentas e de ênfase são as que mais dão problema.
• Voz escura, sem brilho: soma de ruído ou agudo empurrado na equalização vira chiado, porque continua soando nas pausas. Conserto: um exciter, efeito que cria os agudos a partir da própria voz, e por isso eles somem junto com ela.
• Murmúrio nas pausas: a troca de voz transforma o ruído de sala do clipe num som de voz baixinho, que parece outra pessoa falando atrás. Conserto: passar o resultado pelo isolador de voz, que limpou as pausas sem perder nenhuma palavra.
• Timbre diferente a cada geração: a mesma voz sai um pouco diferente em cada chamada. Conserto: refazer duas ou três vezes antes de concluir que a voz não serve.
• Palavra errada: a troca de voz herda as palavras da fonte. Se o gerador de vídeo pronunciou errado, o timbre novo mantém o erro. Conserto: corrigir na geração do clipe, por exemplo escrevendo o nome do jeito que ele soa.

Quando alguém reclama de voz dupla ou eco, o melhor diagnóstico não é a transcrição, é o espectrograma, o gráfico das frequências do som. Voz sozinha silencia na pausa. Se aparece uma faixa contínua por baixo, é o murmúrio do item acima. Já acusei uma repetição que só existia na transcrição: o gráfico mostrou que o problema era outro.

Como revisar a voz antes de publicar

Ouvir por cima não basta, porque o ouvido se acostuma. Antes de um vídeo sair, eu sigo esta ordem:

1. Ouvir com fone, cena por cena: procurando trechos abafados, chiado e mudança de timbre.
2. Comparar as cenas entre si: se uma soa diferente, ela é a suspeita. Na minha rotina, meço os saltos de tom por cena e vejo qual destoa da média.
3. Olhar as pausas: nelas não pode haver som de voz nem chiado.
4. Conferir a boca: principalmente em sílabas com lábios fechados, como P, B e M.
5. Ler junto com o roteiro: nome próprio, número e preço, um por um.

Posso clonar a voz de outra pessoa?

Só com autorização, e em alguns casos nem assim. A política de uso da ElevenLabs proíbe clonar a voz de uma pessoa viva sem consentimento explícito e informado. No clone profissional a regra é mais dura: a própria ajuda dela diz que, mesmo com consentimento, você só clona a sua voz, porque há uma verificação em que o dono lê frases na hora.

A lei também entra. A Lei Geral de Proteção de Dados trata dado biométrico ligado a uma pessoa como dado sensível. Na prática, peço autorização por escrito de quem cede a voz, dizendo onde será usada, por quanto tempo e como pedir a exclusão. Isso vale para funcionário também, e vale pensar no que acontece com a voz dele quando ele sair da empresa.

Sobre avisar o público, o YouTube separa dois casos. Usar a própria voz clonada para narração ou dublagem aparece entre os exemplos que não exigem aviso. Mas fazer uma pessoa real parecer dizer algo que não disse exige. Nenhum vídeo com a voz ou o rosto de um cliente vai ao ar sem a aprovação dele, e isso está nos meus termos de serviço.

Clonar a voz sozinho ou contratar?

Clonar a própria voz para testar é simples, e dá para começar sem gastar muito tempo. Comparei o que as ferramentas liberam sem pagar no artigo sobre avatar de IA grátis. O trabalho aparece quando a voz vira parte de uma produção semanal: revisar cada cena, corrigir defeito, manter o mesmo timbre entre vídeos. Sem isso, o clone acaba denunciando o vídeo inteiro.

E voz boa, sozinha, não traz cliente. Ela precisa de roteiro com gancho e de verba em cima do vídeo que segura atenção, que é a parte da gestão de tráfego pago. Se quer aprender a produzir e vender esse tipo de vídeo, é o que ensino na mentoria de vídeo com IA. Se prefere os vídeos prontos com o seu rosto e a sua voz, o serviço está na página do clone de IA.