Posso clonar a voz de outra pessoa?

Só com o consentimento dela e com direitos sobre as gravações. A SuperClonica exige as duas coisas para encomendas e vozes publicadas, e a licença do Supertonic 3 proíbe se passar por outras pessoas sem consentimento.

De quanto tempo de gravação preciso para clonar uma voz?

Para treinar no estúdio, uma referência limpa de 5 a 10 segundos com o texto exato. Som limpo importa mais do que duração.

Dá para clonar uma voz sem placa de vídeo?

Dá, encomendando de um autor, que treina a voz no equipamento dele. Para treinar você mesmo, é preciso uma GPU NVIDIA; para usar a voz pronta, não.

Quanto custa clonar uma voz?

Treinar você mesmo é grátis, e o JSON é baixado sem custo. Uma encomenda custa o orçamento que você definir, de US$ 0,01 a US$ 10.000, e o autor só recebe depois que você aprova o resultado.

GUIA

Clonagem de voz: como conseguir uma voz parecida com uma gravação

Atualizado em 23 de outubro de 2026

Clonagem de voz é criar uma voz de texto para fala que soe como a pessoa de uma gravação específica. Alguns modelos fazem isso na hora, com poucos segundos de áudio. Na SuperClonica, a voz é treinada uma vez em um arquivo do Supertonic 3, que depois lê qualquer texto offline em um processador comum.

A seguir: de quem é permitido clonar a voz, como gravar uma boa referência, os dois caminhos para obter a voz (encomendar de um autor ou treinar você mesmo) e o que o resultado consegue e não consegue fazer.

Ouvir vozes prontas primeiro Instalar o motor para a sua voz

Primeiro, direitos e consentimento

Clone a sua própria voz ou a de alguém que concordou com isso. Ao encomendar uma voz, você confirma que tem os direitos sobre as gravações e o consentimento de quem fala. Os autores só publicam vozes feitas a partir de gravações para as quais têm direitos e consentimento.

A licença do Supertonic 3, OpenRAIL-M, também proíbe se passar por outras pessoas sem consentimento. Na prática: nada de vozes de famosos, colegas ou parentes sem permissão, e guarde essa permissão junto com as gravações originais.

Como gravar uma boa referência para clonagem de voz

A voz aprende com o que ouve, inclusive ruído e eco da sala. Uma gravação curta e limpa vale mais que uma longa e ruidosa.

Grave em um cômodo silencioso, com móveis e tecidos: sem música, ventilador, trânsito ou eco.
Só uma pessoa falando, sem vozes sobrepostas nem efeitos.
Mantenha a mesma distância do microfone e um volume estável, sem distorção nas palavras mais fortes.
Fale do jeito que a voz deve soar: um narrador calmo lê com calma, um personagem interpreta.
Anote o texto exato da gravação, palavra por palavra, com repetições e tropeços. O site pede esse texto para cada referência.
Duração: de 5 a 10 segundos por referência para treinar no estúdio. Em uma encomenda, você pode enviar arquivos WAV, MP3, FLAC ou OGG de até 30 MB e 10 minutos cada, até 20 arquivos.

Opção 1: encomende a voz de um autor

Sem GPU NVIDIA, ou sem tempo para treinar, faça uma encomenda na seção de pedidos de vozes.

Descreva a tarefa: timbre, jeito de falar, para que serve a voz e como você vai avaliar o resultado. Informe o idioma da voz, um orçamento de US$ 0,01 a US$ 10.000 e um prazo em dias.
Adicione as gravações com o texto exato, confirme seus direitos e publique a encomenda.
Os autores mandam propostas, e você escolhe quem vai fazer o trabalho.
Reserve o orçamento no seu saldo. Depois disso o autor começa e entrega uma voz treinada com uma demo em áudio.
Aprove o resultado ou peça ajustes específicos. O autor só recebe depois da sua aprovação, e a voz fica disponível para download em JSON. Se a encomenda for cancelada, o valor reservado volta para o seu saldo.

Opção 2: treine a voz você mesmo

Treinar no estúdio é grátis se você tem um computador com GPU NVIDIA. Ele vira o seu worker: você o conecta com um token pessoal, e ele treina só as suas vozes.

Crie uma voz e adicione uma referência: uma gravação limpa de 5 a 10 segundos com o texto exato. As referências ficam privadas.
Clique em Treinar na referência, escolha o número de passos e comece.
Compare os checkpoints pelas demos e pela semelhança, e continue o treinamento do mais promissor.
Baixe o JSON de graça na página do treinamento. Se quiser, coloque a voz à venda com capa, descrição e preço.

O que esperar de uma voz clonada

O treinamento encontra um timbre e um jeito de falar próximos da sua gravação. Conte com uma voz reconhecível, não com uma cópia perfeita: quanto mais limpa a referência e mais perto do som desejado, mais próximo o resultado. Uma voz feita sob encomenda é privada, e o autor não a publica no catálogo.

Em troca da espera, você recebe um arquivo que roda offline em velocidade máxima. Pela nossa estimativa, o SuperClonica fala de 6,4 a 9,7 vezes mais rápido que o tempo real em um processador de desktop de 8 núcleos, e cada frase começa do mesmo timbre. A voz funciona com os 31 idiomas do Supertonic 3; chinês ainda não está disponível.

Se você precisa de um clone agora, a partir de um trecho curto, os modelos zero-shot fazem isso sem treinamento: Qwen3-TTS com 3 segundos de áudio, OmniVoice com 3 a 10 segundos, Chatterbox com um clipe de referência. Licenças e exigências de hardware variam; nossas páginas de comparação explicam as duas coisas.