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.

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 soundfileA 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 pastaFoi 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_weightigual 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
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).
Para comparar, a voz pronta do Chatterbox original, sem clonagem e com a intensidade da emoção reduzida para 0,3:
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_georgeem inglês, comcfg_weightem 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.
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.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.


