Voz da Sesame AI e CSM-1B: a demo, o modelo aberto e uma alternativa
A demo de voz conversacional da Sesame, com as vozes que muita gente conhece como Maya e Miles, impressionou muitos ouvintes, e a Sesame também lançou um modelo de voz aberto, o CSM-1B. Não são a mesma coisa, e isso importa se você quer usar a voz no seu projeto.
Este guia explica, segundo a ficha do modelo CSM-1B, o que é o modelo aberto, o que é preciso para rodá-lo, as regras de uso e quando um motor pronto como a SuperClonica é a escolha mais simples.
A demo e o modelo aberto
A ficha do modelo diz que uma variante ajustada do CSM move a demo de voz interativa da Sesame. O CSM-1B lançado é o modelo base Conversational Speech Model, então ele não vai soar nem se comportar exatamente como a demo sem ajustes. O CSM gera fala a partir de texto junto com contexto de áudio, e assim mantém o mesmo falante entre as falas.
O que é o CSM-1B
O CSM usa uma base Llama e um decodificador de áudio menor que gera códigos de áudio Mimi. Foi lançado em 13 de março de 2025 sob a licença Apache-2.0 e tem suporte nativo no Hugging Face Transformers a partir da versão 4.52.1. O idioma principal é o inglês; segundo a ficha, outros idiomas funcionam de forma limitada e provavelmente mal. Para baixar, é preciso aceitar compartilhar seus dados de contato do Hugging Face.
Rodar e as regras
O código de exemplo da ficha usa uma placa de vídeo CUDA quando há uma e, se não, recorre ao processador. A ficha proíbe usar o modelo para imitar pessoas reais sem consentimento explícito, criar conteúdo enganoso ou para fins ilegais ou nocivos.
Uma alternativa pronta num computador comum
Se você precisa de voz agora e não de um modelo de pesquisa, instale o motor gratuito da SuperClonica com python -m pip install superclonica-cpu e rode superclonica --text "Hey, good to hear from you." --voice F1 --lang pt --output hello.wav. Ele roda offline num processador comum, fala 31 idiomas e traz dez vozes de fábrica, M1 a M5 e F1 a F5. O motor está sob Apache 2.0 e o modelo Supertonic 3 sob OpenRAIL-M, que permite uso comercial dentro das suas restrições.
Vozes e a sua própria voz
Ouça grátis as vozes do catálogo nas páginas delas: cole de 30 a 100 caracteres, sem conta. Para ter a sua própria voz, grave uma frase limpa de 5 a 10 segundos e treine no estúdio; treinar na sua própria placa de vídeo NVIDIA é grátis. A voz grátis Maya do catálogo é da própria SuperClonica e não tem nada a ver com a Sesame.