Uma alternativa ao VibeVoice para podcasts e diálogos
O VibeVoice da Microsoft chamou atenção porque o modelo TTS gerava até 90 minutos de fala com até quatro locutores, um episódio inteiro de podcast de uma vez. Em 5 de setembro de 2025 os mantenedores retiraram o código do VibeVoice-TTS do repositório após encontrar uso indevido, e a tabela de modelos marca os pesos TTS-1.5B como desativados. Resta o VibeVoice-Realtime-0.5B, um modelo em streaming para cerca de 10 minutos de fala, e o projeto diz que os modelos são só para pesquisa e desenvolvimento.
Se você queria podcasts ou diálogos com várias vozes, o motor gratuito da SuperClonica chega lá de outro jeito: cada locutor é uma voz, cada fala é gerada separadamente e as falas são unidas num só arquivo. Ele roda offline num processador comum, e as vozes padrão podem ser usadas comercialmente.
O que aconteceu com o VibeVoice
O repositório do VibeVoice tem licença MIT e ainda hospeda os modelos de reconhecimento de fala e o modelo TTS Realtime-0.5B, com entrada de texto em streaming e primeiro áudio em cerca de 300 ms. O código do TTS longo foi retirado em 2025-09-05, e os pesos TTS-1.5B aparecem como desativados. Confira o estado atual do repositório antes de construir em cima dele.
Ouça as vozes primeiro
Na página de qualquer voz do catálogo, cole uma fala do seu roteiro, de 30 a 100 caracteres, escolha o idioma e clique em Gerar. Em segundos você sabe quem escalar como apresentador e convidado, sem conta.
Um podcast a duas vozes a partir de um roteiro
Instale o motor com python -m pip install superclonica-cpu. Escreva o roteiro com um locutor por linha, como A: Bem-vindos de volta ao programa. e B: Obrigado, que bom estar aqui. Dê uma voz a cada locutor, por exemplo F2 para a apresentadora e M3 para o convidado, gere cada fala e junte com uma pausa curta; nosso guia de diálogos com IA traz um trecho de Python pronto que transforma esse roteiro num único WAV. Um episódio longo é só mais linhas: não há limite de tamanho, e mudar uma fala significa regerar uma fala.
Onde o VibeVoice era mais forte
Um modelo longo lê a conversa inteira de uma vez, então as trocas de turno, risadas e transições entre locutores podem soar mais espontâneas, e o VibeVoice também falava chinês. Gerar fala por fala dá controle preciso de cada linha e roda em qualquer computador, mas sobreposições e interrupções precisam ser escritas como falas curtas separadas.
Vozes que você pode publicar
As dez vozes padrão, M1 a M5 e F1 a F5, podem ser usadas comercialmente pela licença do modelo OpenRAIL-M, assim como uma voz treinada com a sua gravação ou de alguém que concordou. Vozes de personagens do catálogo são feitas por fãs e só para uso de fãs e paródia. Nunca escreva uma conversa falsa entre pessoas reais que possa passar por uma gravação real.