Como clonar vozes com IA (so-vits-svc)
A clonagem de voz com IA ficou famosa com os "covers" em que artistas parecem cantar músicas que nunca gravaram. Uma das ferramentas mais usadas para isso é o so-vits-svc (especialmente a versão so-vits-svc-fork, mais simples). Este guia explica o caminho geral — e os cuidados legais que muita gente ignora.
Aviso legal e ético: clonar a voz de uma pessoa sem autorização pode violar direitos de imagem, voz e autorais, além de ser proibido em muitas plataformas. Use para aprendizado, com a sua própria voz ou com vozes autorizadas. Não use para enganar, difamar ou fraudar.
Requisitos
- Placa de vídeo NVIDIA com CUDA. Sem GPU dedicada, o treinamento é lento a ponto de inviável (pode levar semanas).
- Windows ou Linux (o processo é parecido; a instalação muda um pouco).
- Python instalado.
- Um separador de voz, como o Ultimate Vocal Remover 5 (UVR5), para isolar o vocal do instrumental.
- Amostras de áudio limpas da voz que você vai treinar (quanto mais limpas e variadas, melhor).
Passo a passo geral
- Instale o so-vits-svc-fork. É a versão recomendada por incluir interface gráfica e scripts mais simples para preparar os dados.
- Prepare o dataset. Reúna vários minutos de áudio só com a voz-alvo, sem música nem ruído. Use o UVR5 para remover instrumental e o eco, se necessário.
- Corte em trechos. Divida o áudio em pedaços curtos (poucos segundos cada). As ferramentas do fork ajudam a automatizar isso.
- Treine o modelo. Aponte o programa para o dataset e inicie o treinamento. O tempo depende da GPU e da quantidade de áudio.
- Faça a inferência (o cover). Pegue um vocal-alvo (a música que você quer "transformar"), separe o vocal do instrumental com o UVR5, passe o vocal pelo modelo treinado e depois junte de volta com o instrumental.
Dicas para um resultado melhor
- Qualidade vale mais que quantidade: 10 minutos de áudio limpo rendem mais que uma hora com ruído.
- Combine os tons: ajuste o pitch para que o tom da música case com o tom da voz treinada.
- Reduza vazamento: um vocal de entrada bem isolado evita "fantasmas" do instrumental no resultado.
Alternativas mais fáceis
Se você não tem GPU NVIDIA ou não quer mexer em código, existem serviços online de clonagem de voz (alguns gratuitos com limites). Eles são mais simples, porém com menos controle e, às vezes, com termos que restringem o uso comercial. Para experimentar o conceito sem dor de cabeça, são um bom ponto de partida.
Perguntas frequentes
Preciso de placa de vídeo para usar o so-vits-svc?
Praticamente sim. Uma GPU NVIDIA com CUDA torna o treinamento viável. Sem ela, o processo é lento demais para uso prático.
Clonar a voz de um artista é legal?
Clonar a voz de alguém sem autorização pode violar direitos de voz, imagem e autorais, e é proibido em muitas plataformas. Use com a sua própria voz ou com permissão, para fins de aprendizado.
Qual a diferença do so-vits-svc-fork?
O so-vits-svc-fork é uma versão mais fácil de usar, com interface gráfica e scripts simplificados para preparar os dados e treinar o modelo.