Outono de 2026 · Direto da Base da Tranquilidade
Entre no estúdio lunar ↗
Desenvolvimento de jogos

Gerador de voz com IA grátis: clonar voz com Kokoro e Chatterbox

Kokoro e Chatterbox: geradores de voz com IA open source, grátis e de uso comercial, para clonar voz e dublar personagens no notebook.

No bar de uma base lunar, ondas sonoras laranja saem de um notebook em direção a um robô barman que enxuga um copo, e um astronauta de fone de ouvido, sentado numa banqueta do balcão, faz sinal de positivo
No bar de uma base lunar, ondas sonoras laranja saem de um notebook em direção a um robô barman que enxuga um copo, e um astronauta de fone de ouvido, sentado numa banqueta do balcão, faz sinal de positivo

A página inicial deste site é uma base lunar. Ao abrir terryl.in, você entra num minigame 3D feito com Three.js: dá para guiar um astronauta pela base, vestir o traje espacial, passar pela câmara de descompressão até a superfície da Lua ou ir ao bar pedir um drink da casa. O blog "Diário da base lunar" registra como essa base vem sendo construída.

No bar da base trabalha um robô barman chamado Arthur. O personagem é uma homenagem ao androide barman Arthur do filme Passageiros (Passengers, 2016). Como no filme, ele é gentil, extremamente educado e fala sem nenhuma expressão no rosto. Algumas falas também foram adaptadas do filme, e quem assistiu vai reconhecer. Se você perguntar por que ele vive enxugando copos, ele responde: "Se eu não limpasse o copo, teria de puxar conversa." O problema é que, até agora, essas falas eram só texto numa caixa de diálogo.

No post anterior, usei o Stable Audio 3 Small SFX para criar os efeitos sonoros da base lunar; agora é a vez das vozes. Antes, dublar um personagem de jogo significava contratar um dublador ou pagar um serviço de narração com IA na nuvem, como o ElevenLabs, cobrado por caractere. Hoje existem alguns modelos de TTS (texto para fala) open source, gratuitos e liberados para uso comercial: você baixa no seu computador e usa sem pagar por geração. Na prática, uma alternativa gratuita ao ElevenLabs para transformar texto em áudio.

Neste post eu comparo os modelos de TTS open source que mais valem a pena hoje. Instalei o Kokoro TTS e o Chatterbox TTS num notebook sem placa de vídeo, dublei as falas do Arthur em inglês e em português e testei a clonagem de voz por IA gratuita, para que o personagem mantenha o mesmo timbre em todas as falas.

Geradores de voz com IA open source: comparação de TTS para uso comercial

Primeiro a conclusão. Estes são os que passaram pelo meu filtro de licença e podem ser usados comercialmente:

Modelo

Parâmetros

Licença

Clonagem de voz

Português

Hardware

Kokoro-82M

82 milhões

Apache 2.0

Não, usa 54 vozes prontas

Sim (português do Brasil)

Roda na CPU

Chatterbox-Nano

110 milhões

MIT

Sim

Não, só inglês

Roda na CPU

Chatterbox-Turbo

350 milhões

MIT

Sim

Não, só inglês

Roda na CPU, mais devagar

Chatterbox (original, Multilingual V3, versão chinesa)

500 milhões

MIT

Sim

Sim, no Multilingual V3

Roda na CPU, bem devagar

Step Audio EditX

cerca de 3 bilhões

Apache 2.0

Sim

Não testei

Exige placa NVIDIA

Qwen3-TTS (0.6B, 1.7B)

600 milhões, 1,7 bilhão

Apache 2.0

Sim, com 3 s de referência

Sim

O 0.6B roda na CPU, clonagem bem lenta

Resumindo:

  • Quer algo rápido, leve e que rode no notebook: Kokoro.
  • Quer clonar voz e manter o personagem com a mesma voz: Chatterbox. Em inglês, use o Nano; em português, o Multilingual V3.
  • Tem placa NVIDIA e quer criar vozes por descrição: Qwen3-TTS, que permite "desenhar" uma voz com uma frase de texto e controlar a emoção com instruções de tom.
  • Tem uma placa de vídeo potente e quer a melhor qualidade e emoção: Step Audio EditX.

O Step Audio EditX exige placa NVIDIA, que meu notebook não tem, então ele ficou fora dos testes. Do Qwen3-TTS testei o menor, o 0.6B, que roda na CPU; os resultados estão mais abaixo.

Este post é uma visão geral. Depois vou escrever um post dedicado para cada modelo: Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX e também o VoiceStudio.

Nos rankings com avaliação cega feita por pessoas (como o Speech Arena), o topo ainda é dos serviços fechados como o ElevenLabs; nenhum modelo open source entrou no top 10. Mas jogo nem sempre precisa da melhor qualidade possível. Para falas de NPC, narração com IA em tutoriais ou vozes provisórias durante o desenvolvimento, um modelo open source dá conta muito bem.

Outra opção multilíngue: Qwen3-TTS

O Qwen3-TTS é uma família de TTS que a equipe Qwen, da Alibaba, lançou como open source em janeiro de 2026, sob licença Apache 2.0, liberada para uso comercial. Vem em dois tamanhos, 0.6B e 1.7B, cada um com versões para usos diferentes:

  • Base: clonagem de voz, com só 3 segundos de referência.
  • CustomVoice: 9 vozes prontas, entre elas vozes masculinas com sotaque de Pequim e de Sichuan; a versão 1.7B ainda aceita instruções de tom, como "fale num tom muito irritado".
  • VoiceDesign (1.7B): cria uma voz a partir de uma descrição em texto, por exemplo "garoto de 17 anos, tenor, cada vez mais confiante ao falar".

Suporta 10 idiomas: chinês, inglês, japonês, coreano, alemão, francês, russo, português, espanhol e italiano. A avaliação oficial diz que ele supera o ElevenLabs em precisão de pronúncia e semelhança de voz em chinês, mas esse teste é da própria equipe.

Para dublagem de jogos, o fluxo mais útil é desenhar a voz primeiro e clonar depois. Você descreve a voz do personagem para o VoiceDesign, gera uma fala como referência e, a partir daí, clona todas as outras falas com o Base para manter o timbre. É bem parecido com o que faço neste post usando Kokoro junto com Chatterbox.

A instalação é pip install -U qwen-tts. Os exemplos oficiais rodam em placa NVIDIA com bfloat16 e FlashAttention 2, sem dizer quanta memória de vídeo é preciso nem se dá para rodar só na CPU.

Testei o 0.6B na CPU do mesmo notebook:

  • Voz pronta (CustomVoice): uma fala de uns 6 segundos levou cerca de 31 segundos.
  • Clonagem de voz (Base): uma fala de 4 a 5 segundos levou mais de 4 minutos, três vezes o tempo necessário na versão chinesa do Chatterbox.

Como em qualquer TTS, é preciso conferir a pronúncia de palavras homógrafas, nomes próprios e estrangeirismos antes de usar o áudio no jogo.

Sem placa de vídeo, as vozes prontas do Qwen3-TTS são a escolha mais sensata; para clonar voz em grande volume de falas, ainda é preciso uma placa NVIDIA.

Parece open source, mas não pode ser usado comercialmente

A armadilha mais comum na hora de escolher um modelo é a licença. Ter os pesos públicos no Hugging Face não significa que você pode ganhar dinheiro com eles:

  • Coqui XTTS v2: multilíngue, clona voz e já foi muito popular, mas a licença é a Coqui Public Model License, só para uso não comercial.
  • Fish Audio S2 Pro: pesos públicos, mas o uso comercial exige comprar uma licença da Fish Audio.
  • Alguns modelos de pesquisa: usam licença CC BY-NC (NC quer dizer apenas uso não comercial).

Antes de baixar, sempre confira o campo License na página do modelo e leia o texto completo.

O que é o Kokoro TTS? Fala português? Pode usar comercialmente?

O Kokoro-82M é um modelo de TTS com apenas 82 milhões de parâmetros, que chegou à versão 1.0 em janeiro de 2025. É tão pequeno que roda na CPU, e a qualidade de áudio está entre as melhores da categoria, por isso muitas APIs comerciais e projetos o utilizam.

  • Licença: Apache 2.0, pode ser usado comercialmente e embutido no seu produto.
  • Dados de treinamento: a documentação oficial diz que usou apenas gravações de domínio público, gravações sob licença Apache ou MIT e áudio sintético de TTS fechados de grandes empresas, sem nenhuma voz clonada de outras pessoas.
  • Vozes: 54 vozes prontas em 8 idiomas: inglês (americano e britânico), japonês, chinês, espanhol, francês, hindi, italiano e português do Brasil.
  • Limitação: não clona voz, só dá para escolher entre as vozes prontas.

Ou seja, o Kokoro fala português do Brasil. Para as falas do Arthur em português, usei a voz masculina pm_alex.

Um aviso: segundo os autores, sites com "kokoro" no domínio não têm nenhuma relação com o modelo. Não pague nem baixe nada neles.

O que é o Chatterbox TTS? Fala português? Pode usar comercialmente?

O Chatterbox é uma família de TTS open source da Resemble AI, empresa de tecnologia de voz. O grande diferencial é a clonagem de voz: você entrega de 5 a 10 segundos de uma voz e ele lê falas novas com aquele timbre. A versão original ainda permite ajustar o quanto a emoção é exagerada, e a Turbo aceita tags de risada e tosse no texto, como [laugh], [chuckle] e [cough].

  • Licença: MIT, pode ser usado comercialmente.
  • Marca d'água: todo áudio gerado leva a marca d'água Perth, da Resemble. Ela é inaudível, mas continua lá mesmo depois de converter para mp3 ou editar, e ferramentas de detecção conseguem identificar que aquele áudio foi gerado por IA.
  • Sem manutenção: em agosto de 2026, a Resemble AI anunciou que o Chatterbox é um "projeto de pesquisa encerrado" e que não terá mais atualizações; a empresa passou a se dedicar à detecção de deepfakes. O código e os pesos continuam disponíveis sob licença MIT, então você ainda pode baixar e usar comercialmente, só não vai ter versões novas nem suporte.

Esse último ponto mostra justamente a vantagem do open source: com os pesos no seu computador, você não depende de um serviço continuar existindo. Se um serviço de voz na nuvem aumentar o preço ou fechar, as vozes do seu jogo não podem mais ser alteradas; um modelo open source guardado no disco ainda vai gerar falas novas com a mesma voz daqui a dez anos.

Para português, o que importa é o Multilingual V3, que lê 23 idiomas. O Chatterbox tem várias versões, e no começo é fácil confundir:

Versão

Parâmetros

Idiomas

Destaque

Chatterbox (original)

500 milhões

Inglês

Ajuste de intensidade da emoção (exaggeration)

Multilingual V3

500 milhões

23, incluindo português

Um modelo para vários idiomas

Versão chinesa (zh-cmn)

500 milhões

Chinês

Ajustada especificamente para chinês

Turbo

350 milhões

Inglês

Mais rápido, aceita tags de risada e tosse, exige voz de referência

Nano

110 milhões

Inglês

O menor e mais rápido; segundo os autores, gera áudio a 3 vezes a velocidade de reprodução numa CPU de 8 núcleos

Requisitos: roda sem placa de vídeo?

Meu notebook tem um Intel Core Ultra 5 (6 núcleos) e só vídeo integrado, ou seja, tudo roda na CPU. A tabela mostra o tempo medido para gerar cada fala; cada fala tem de 4 a 6 segundos, e o tempo inclui carregar o modelo a cada execução:

Modelo

Tempo por fala

Kokoro (inglês)

cerca de 9 s

Kokoro (chinês)

cerca de 13 s

Chatterbox-Nano (clonagem)

cerca de 15 a 20 s

Chatterbox-Turbo (clonagem)

cerca de 40 s

Chatterbox original

cerca de 60 s

Chatterbox versão chinesa (clonagem)

cerca de 80 s

Qwen3-TTS 0.6B (voz pronta)

cerca de 31 s

Qwen3-TTS 0.6B (clonagem)

cerca de 4 min

Kokoro e Chatterbox Nano são bem práticos no notebook: você muda uma fala, ouve, e em uns dez segundos está pronto. As versões de 500 milhões de parâmetros do Chatterbox levam um ou dois minutos por fala na CPU, então o ideal é montar um lote inteiro e deixar rodando em segundo plano. Com placa NVIDIA, tudo fica bem mais rápido.

Quanto a espaço em disco, o ambiente Python de cada ferramenta (com PyTorch para CPU) ocupa cerca de 1,5 GB. Os modelos são baixados à parte: os do Kokoro são pequenos, e cada versão do Chatterbox ocupa de 1 a 3 GB.

Como instalar o Kokoro TTS (versão CPU)

Recomendo criar um ambiente Python separado com o uv, em vez de instalar no Python do sistema. O Kokoro funciona com Python 3.10 a 3.12:

mkdir kokoro && cd kokoro
uv venv --python 3.11 && source .venv/bin/activate
uv pip install kokoro soundfile

A pronúncia dos idiomas além do inglês, incluindo o português, fica por conta do espeak-ng, que já vem embutido no pacote pip, então não precisa instalar nada a mais.

Para gerar uma fala em português:

import numpy as np, soundfile as sf
from kokoro import KPipeline

pipe = KPipeline(lang_code="p")  # p português do Brasil, a inglês americano, b inglês britânico, j japonês
audio = np.concatenate([np.asarray(r.audio) for r in pipe("Um barman guarda confidências.", voice="pm_alex")])
sf.write("arthur.wav", audio, 24000)

A primeira letra do nome da voz é o idioma e a segunda, o gênero: pm_alex é uma voz masculina em português, bf_emma é uma voz feminina em inglês britânico. A lista completa está no VOICES.md oficial. Na primeira execução, o modelo é baixado automaticamente do Hugging Face.

Como instalar o Chatterbox TTS: use a versão do GitHub, não a antiga do PyPI

Essa foi a maior armadilha em que caí. Muitos tutoriais mandam rodar pip install chatterbox-tts, mas isso instala a versão 0.1.7 do PyPI, cujo modelo multilíngue ainda é o antigo V2. Testei com uma fala em chinês: ele terminou de ler em pouco mais de 3 segundos e depois emendou mais de dez segundos de pausa e ruídos estranhos.

O Multilingual V3, o Nano e a versão chinesa só existem na versão mais recente do GitHub, então instale direto de lá:

mkdir chatterbox && cd chatterbox
uv venv --python 3.11 && source .venv/bin/activate
uv pip install "chatterbox-tts @ git+https://github.com/resemble-ai/chatterbox" "setuptools<81"

O setuptools<81 no final também é obrigatório. O pacote de marca d'água Perth ainda usa o antigo pkg_resources, que as versões novas do setuptools removeram. Sem fixar a versão, dá erro logo na primeira execução.

Clonando uma voz com o Nano:

import torchaudio
from chatterbox.tts_turbo import ChatterboxTurboTTS

model = ChatterboxTurboTTS.from_pretrained(device="cpu", nano=True)
wav = model.generate("A bartender keeps confidence.", audio_prompt_path="arthur-ref.wav")
torchaudio.save("arthur.wav", wav, model.sr)

O arthur-ref.wav é a voz de referência a ser clonada. O formato dos arquivos da versão chinesa é um pouco diferente do programa principal, e é preciso ajustar o código que carrega os arquivos. Esse tipo de detalhe chato é ótimo para deixar com o Claude Code ou o Codex.

Deixe a instalação com o Claude Code ou o Codex

Se não quiser lidar com versões, abra o Claude Code ou o Codex no terminal e digite:

Instale o Kokoro-82M e o Chatterbox em ~/tools (o Chatterbox pela versão mais recente do GitHub, com Nano e Multilingual V3), usando PyTorch para CPU, e crie um comando para cada um que eu possa chamar de qualquer pasta

Foi assim que eu instalei. A versão desatualizada do PyPI, a incompatibilidade com o setuptools e a falha ao carregar a versão chinesa: o assistente de IA encontrou a causa e corrigiu tudo sozinho. A vantagem de instalar em ~/tools é que todos os projetos compartilham a mesma instalação, sem precisar de uma cópia por jogo.

Como clonar voz com IA de graça usando modelos open source

Clonagem de voz (voice cloning) é dar ao modelo um trecho da voz de alguém para que ele leia falas novas com aquele timbre. Com o Chatterbox, clonar voz é gratuito e simples: você prepara uma voz de referência e o texto a ser lido. A qualidade da referência define o resultado:

  • De 5 a 10 segundos: com menos de 5 segundos, ele mostra uma mensagem de erro.
  • Só uma pessoa falando: sem música de fundo nem ruído.
  • Tom de acordo com o personagem: ele aprende também a velocidade e a emoção. Se o personagem fala devagar e de forma monótona, a referência precisa soar assim.
  • De preferência no mesmo idioma da fala: com referência em inglês e fala em outro idioma, pode aparecer um leve sotaque inglês. Nesse caso, a recomendação oficial é usar cfg_weight igual a 0.

A origem da voz importa muito. O modelo poder ser usado comercialmente não significa que você pode copiar a voz de qualquer pessoa:

  • Gravada por você: sem problema.
  • Gravada por um dublador ou amigo: só use no jogo com o consentimento da pessoa, de preferência por escrito.
  • Vozes de personagens de filme ou jogo, ou de famosos: não. Mesmo que só pareça, entram questões de direito de imagem e de personalidade.

Eu também uso outro caminho: gerar uma fala com o Kokoro e usá-la como a voz original do personagem. Como o Kokoro tem licença Apache 2.0, o áudio gerado pode ser usado livremente. É como "desenhar" a voz do personagem primeiro e depois deixar o Chatterbox ler as outras falas e adicionar emoção.

Teste prático: dublando o robô barman Arthur

Para a voz do Arthur em inglês, escolhi a bm_george do Kokoro. O sotaque britânico é sóbrio e soa como um robô mordomo educado. Reduzi a velocidade para 0,95.

No filme, o Arthur é interpretado por Michael Sheen, mas aqui a ideia foi justamente não imitar a voz dele. A dublagem usa uma voz pronta do Kokoro, e o que é clonado também é uma voz gerada pelo Kokoro: é isso que eu quis dizer com "a origem da voz importa".

Os áudios abaixo saíram direto dos modelos; só cortei o silêncio do começo e do fim e igualei o volume.

Kokoro: voz pronta, direto

Kokoro bm_george: “If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward.”
Kokoro bm_george: “A bartender keeps confidence. It's the sacred trust of the craft.”

Chatterbox: clonando a voz do Kokoro

A voz de referência é a primeira fala da bm_george do Kokoro, aí em cima (cerca de 6 segundos).

Chatterbox-Nano clonando bm_george: “You can't get so hung up on where you'd rather be that you forget to make the most of where you are.”
Chatterbox-Nano clonando bm_george: “A bartender keeps confidence. It's the sacred trust of the craft.”

Para comparar, a voz pronta do Chatterbox original, sem clonagem e com a intensidade da emoção reduzida para 0,3:

Voz pronta do Chatterbox original: “If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward.”

Algumas observações:

  • O Kokoro sempre gera o mesmo resultado: mesma fala, mesma voz, o áudio sai idêntico em todas as tentativas, sem precisar escolher versão. Para mudar o clima, troque a voz ou ajuste a velocidade.
  • O Chatterbox gera um resultado diferente a cada vez: trocando a seed, a mesma fala vem com outro tom e outro ritmo, então vale gerar várias versões e escolher.
  • A clonagem mantém a voz consistente: com uma única fala de referência, todas as falas clonadas têm o timbre do mesmo personagem, sem precisar escolher voz de novo.
  • As versões clonadas falam mais rápido: com o mesmo texto, a versão clonada pelo Nano ficou de 10% a 20% mais curta que a original do Kokoro. Para deixar mais devagar, use como referência uma gravação com fala mais lenta.

Teste em português

Nada disso adianta se o modelo não falar o seu idioma, então gerei duas falas do Arthur traduzidas para o português nos três modelos que suportam a língua:

  • Kokoro: voz pronta pm_alex.
  • Chatterbox Multilingual V3: clonando a bm_george em inglês, com cfg_weight em 0, que é a configuração recomendada oficialmente quando a voz de referência e a fala estão em idiomas diferentes, para evitar sotaque inglês.
  • Qwen3-TTS 0.6B: voz pronta Ryan.
Kokoro (pm_alex): “Se eu não limpasse o copo, teria de puxar conversa. E aí os clientes ficam constrangidos.”
Kokoro (pm_alex): “Um barman guarda confidências. É a confiança sagrada do ofício.”
Chatterbox Multilingual V3 (clonando bm_george): “Se eu não limpasse o copo, teria de puxar conversa. E aí os clientes ficam constrangidos.”
Chatterbox Multilingual V3 (clonando bm_george): “Um barman guarda confidências. É a confiança sagrada do ofício.”
Qwen3-TTS 0.6B (Ryan): “Se eu não limpasse o copo, teria de puxar conversa. E aí os clientes ficam constrangidos.”
Qwen3-TTS 0.6B (Ryan): “Um barman guarda confidências. É a confiança sagrada do ofício.”

Como conferi:

  • Passei cada áudio pelo Whisper (reconhecimento de fala) para transformar de volta em texto e comparei com a fala original.
  • Na primeira geração da segunda fala no Chatterbox, o "Um" do começo e o "r" de "guarda" pareciam ter sido engolidos. Troquei a seed, gerei de novo e saiu completo; o áudio acima é essa nova versão.
  • Fora isso, não encontrei erros de leitura.
  • Velocidade, com o modelo carregado uma vez só e gerando em sequência no mesmo notebook só com CPU: o Chatterbox Multilingual V3 leva cerca de 30 segundos por fala, o Qwen3-TTS 0.6B de 20 a 30 segundos, e o Kokoro alguns segundos.

Como escrever o prompt para dublagem com IA? Deixe com o Claude Code ou o Codex

No TTS, o que você digita é a própria fala, diferente da geração de efeitos sonoros, em que o prompt descreve o som desejado. Mas escolher a voz, clonar e conferir o resultado segue sempre o mesmo fluxo, e isso é perfeito para colocar nas configurações globais do assistente de programação. O arquivo do Claude Code é ~/.claude/CLAUDE.md, e o do Codex, ~/.codex/AGENTS.md. Depois disso, basta dizer "dubla essas três falas do Arthur" e ele segue as regras:

## Dublar personagens de jogo com TTS local

Quando eu pedir dublagem, use o Kokoro e o Chatterbox locais e siga estas regras:

- Cada personagem tem uma voz fixa. Para um personagem novo, escolha uma voz pronta no Kokoro, gere uma fala de 5 a 10 segundos e salve como voz de referência; daí em diante, clone sempre a partir dela.
- Falas sem emoção nem risada vão direto pelo Kokoro; quando precisar de emoção, risada ([laugh], [chuckle]) ou de manter a voz da referência, clone com o Chatterbox: em inglês use Nano ou Turbo; em português use o Multilingual V3 (com cfg_weight 0 se a referência estiver em inglês).
- Palavras homógrafas, nomes próprios e estrangeirismos: ouça antes de aprovar.
- Um arquivo por fala, com o nome "personagem-idioma-número".
- No Chatterbox, gere cada fala com 3 seeds diferentes e liste os arquivos e as falas para eu escolher.
- Depois de gerar, confira a duração: se o áudio for bem mais longo do que a fala deveria ser, ele leu coisa a mais; troque a seed e gere de novo.
- Não clone voz de pessoa real, a não ser que eu diga que tenho o consentimento dela.
- Para usar em página web ou jogo, corte o silêncio do começo e do fim, adicione um fade-out curto, normalize o volume e converta para mp3.

Mais expressão nas falas: as tags de risada do Turbo

O Chatterbox-Turbo aceita tags direto no texto, como [chuckle] (risadinha), [laugh] (gargalhada) e [cough] (tosse):

Can I keep a secret? [chuckle] A bartender keeps confidence. It's the sacred trust of the craft.
Chatterbox-Turbo clonando bm_george, com [chuckle] no meio da fala

Limitações do TTS open source

Depois de uma rodada de uso real, alguns avisos:

  • Sem placa de vídeo, tenha paciência: Kokoro e Chatterbox Nano são rápidos, mas as outras versões do Chatterbox levam um ou dois minutos por fala na CPU.
  • Fora do inglês, ouça antes de usar: palavras homógrafas, nomes próprios e estrangeirismos podem sair errados, então escute cada fala antes de colocar no jogo.
  • Escolha a versão certa: a versão do Chatterbox no PyPI é antiga, e como o projeto não tem mais manutenção, alguns problemas nunca vão ser corrigidos.
  • A emoção depende da referência e dos parâmetros: o modelo não entende a história e não sabe se a fala é piada ou bronca. Para uma fala exaltada, prepare uma referência exaltada ou aumente a intensidade da emoção.
  • Confira o resultado: falas a mais, palavras engolidas e ruído no começo podem acontecer. Assim como nos efeitos sonoros, dá para pedir ao Claude Code ou ao Codex que crie um subagente só para revisar: primeiro transcreve o áudio com reconhecimento de fala, depois compara com a fala original e, se houver diferença, gera de novo.

A maior vantagem para quem desenvolve sozinho: vozes desde o início do desenvolvimento

Assim como a ferramenta de efeitos sonoros do post anterior, acho que o maior valor do TTS open source é dar voz ao jogo já no começo do desenvolvimento.

No início, o roteiro muda o tempo todo. Se o dublador já gravou e a fala muda, é preciso gravar de novo. Com TTS local, você altera a fala, roda de novo e em uns dez segundos está pronto, sem custo extra. Quando o roteiro estiver fechado, aí você decide se vale contratar uma gravação profissional.

Nessa altura, o tamanho das falas, o tempo que a caixa de diálogo fica na tela e a duração dos movimentos da boca ou dos gestos do personagem já estão ajustados de acordo com a voz. Para trocar por gravação humana, basta substituir os arquivos de mesmo nome.

Outra vantagem é suportar vários idiomas. O site da base lunar tem 15 idiomas, e gravar 15 idiomas com dubladores é inviável; mas o Kokoro suporta 8 idiomas e o Chatterbox Multilingual V3 suporta 23, então pelo menos os principais já podem ter voz.

Perguntas frequentes

O Kokoro TTS fala português?

Fala português do Brasil. O Kokoro suporta 8 idiomas: inglês (americano e britânico), japonês, chinês, espanhol, francês, hindi, italiano e português do Brasil. Neste post usei a voz pm_alex, com lang_code="p". Ele não clona voz; você escolhe entre as vozes prontas.

O Chatterbox TTS fala português?

Fala. O Multilingual V3 lê 23 idiomas, incluindo português, e consegue clonar uma voz de referência em inglês para falar português; nesse caso, use cfg_weight igual a 0 para evitar sotaque inglês. Atenção: a versão antiga do PyPI lê coisa a mais no fim da frase, então instale pelo GitHub.

A clonagem de voz com IA gratuita pode ser usada comercialmente?

O Chatterbox tem licença MIT, então o modelo pode ser usado comercialmente; mas você também precisa ter o direito de usar a voz clonada, como a sua própria voz, uma voz usada com consentimento ou, como neste post, uma voz gerada pelo Kokoro. Além disso, todo áudio gerado leva a marca d'água Perth.

Existe uma alternativa gratuita ao ElevenLabs?

Para falas de jogo, narração e dublagem de vídeos tutoriais, o Kokoro e o Chatterbox são alternativas open source gratuitas, liberadas para uso comercial e que rodam no seu computador. A qualidade e a emoção ainda não chegam ao nível do ElevenLabs, mas você não paga por caractere nem corre o risco de o serviço aumentar o preço ou fechar.

Dá para rodar TTS open source sem placa de vídeo?

Dá. Kokoro e Chatterbox Nano geram uma fala em uns dez segundos na CPU de um notebook; as versões de 500 milhões de parâmetros do Chatterbox levam um ou dois minutos por fala, e você pode deixá-las rodando em lote em segundo plano.

Conclusão: um notebook basta para dublar os personagens do seu jogo

Eu achava que a voz era a parte mais luxuosa de um jogo indie: dublador é caro, TTS na nuvem cobra por caractere, e com muitas falas a conta fica alta. O Kokoro e o Chatterbox baixam a barreira para "um notebook, uma fala, uns dez segundos", com uso comercial liberado e o modelo guardado no seu computador, sem medo de o serviço sumir.

O próximo passo é colocar a voz do Arthur no jogo, para que ele fale de verdade quando a caixa de diálogo aparecer.

Este post é uma visão geral do TTS open source. Nos próximos, vou apresentar o Kokoro, o Chatterbox, o Qwen3-TTS, o Step Audio EditX e o VoiceStudio, um post para cada, com instalação, configuração de parâmetros e mais testes.

Como você dubla os personagens do seu jogo? Procure meus posts no Threads ou no X e deixe um comentário.