Sua voz clonada: como a IA faz isso (e por que três segundos bastam)

Blog do Marcel Martin · IA para leigos · 20/10/2026

Alguns leitores me escreveram contando a mesma história: chega uma mensagem de voz no WhatsApp, com a voz de um filho, de um irmão ou de um gerente de banco, pedindo algo urgente. Um Pix, uma senha, um "resolve rapidinho". A voz era perfeita. O pedido era falso.

O nome disso é clonagem de voz, e o que me interessa neste post é a pergunta que quase ninguém responde: como um computador consegue copiar a voz de alguém ouvindo só alguns segundos? Quando a gente entende o truque, entende também por que o golpe funciona e por que a mesma tecnologia, nas mãos certas, é uma das coisas mais úteis que a IA já fez.

O que é uma voz, afinal

Quando você ouve alguém falando, seu cérebro separa três coisas sem esforço. Há o que a pessoa diz, quem está dizendo (o timbre, aquele "jeito de garganta" que faz você reconhecer sua mãe em duas sílabas) e como diz (o ritmo, a melodia, a emoção).

A clonagem de voz é, no fundo, ensinar uma máquina a fazer essa mesma separação e depois recombinar as peças: o conteúdo vem do texto que o golpista digita, e o "quem" e o "como" vêm da sua amostra.

O truque: o modelo já ouviu milhares de pessoas

O que mais surpreende é que o modelo não aprende a sua voz do zero com aqueles poucos segundos. Antes de chegar ao golpista, ele foi treinado com dezenas de milhares de horas de gravações de muita gente diferente, em vários sotaques, idades e emoções. Nesse treino, ele aprendeu o que é "uma voz humana" e quais são as maneiras possíveis de ela variar.

Pense num imitador de TV. Ele não precisa de uma semana de convivência com um político para fazer a caricatura. Alguns trejeitos bastam, porque ele já conhece o repertório de como as vozes humanas funcionam e só precisa descobrir onde aquela pessoa se encaixa. A IA faz o mesmo: seus segundos de áudio são só o ponto de partida para localizar sua voz nesse mapa gigante de vozes possíveis.

Em muitos sistemas, esse "ponto no mapa" é literalmente uma lista de números, uma espécie de impressão digital vocal. Vozes parecidas ficam em pontos próximos. Por isso nem uma voz comum, nem uma voz "anônima" protege ninguém: qualquer uma cabe no mapa.

A parte mais curiosa: a IA trata áudio como texto

Os modelos mais recentes fazem algo que parece ficção científica. Eles quebram o som em pequenos pedacinhos, como se fossem palavras de um alfabeto sonoro, e depois fazem com esses pedacinhos o que o ChatGPT faz com texto: prever o próximo.

O processo é assim. O trecho de áudio da vítima funciona como o começo de uma frase. O texto que o golpista quer ver "falado" entra como instrução. E o modelo continua a sequência, pedacinho por pedacinho, mantendo o mesmo timbre e o mesmo estilo do começo, do jeito que um modelo de linguagem continua um parágrafo no mesmo tom em que ele começou. No final, outra peça do sistema transforma esses pedacinhos de volta em som de verdade, que sai pelo alto-falante.

Essa ideia ficou famosa em 2023, quando pesquisadores mostraram um sistema capaz de imitar uma voz a partir de apenas três segundos de gravação. De lá para cá, só melhorou.

É por isso que a amostra não precisa ser de estúdio e que a emoção também pode ser pedida: se o começo do áudio tem tom de pressa, o modelo continua com pressa.

E por que isso virou golpe em escala

O ingrediente que faltava era a matéria-prima, e ela está em todo lugar: áudios de grupo, vídeos de aniversário, stories narrando o café da manhã. A ferramenta, hoje, cabe num aplicativo. E o roteiro o golpista já conhece, porque é sempre o mesmo: urgência, alguém querido, dinheiro.

Os números acompanham. Um levantamento de uma empresa de prevenção a fraudes, divulgado em setembro, aponta que o uso de deepfake (conteúdo falso gerado por IA) em fraudes financeiras no Brasil cresceu 830% entre 2024 e 2025. O mesmo material estima prejuízo de R$ 1,8 bilhão com golpes que usam IA no sistema financeiro em menos de um ano. E o padrão mudou: saiu do "roubar sua senha" para o "se passar por você", inclusive com troca de rosto e voz em tempo real em chamadas de vídeo.

Aqui está o ponto central da defesa: nosso ouvido não é bom juiz disso. Em testes que misturam conteúdo real e falso, pouquíssimas pessoas acertam tudo. Pausas estranhas ou emoção fora do lugar podem denunciar uma fraude, mas é um conselho frágil, porque as vozes melhoram a cada mês e ninguém analisa entonação com o coração disparado.

Então como se proteger?

Se não dá para confiar no ouvido, é preciso mudar o procedimento. A regra de ouro é simples: desconfiou ou ficou com pressa, pare e confirme por outro caminho. Desligue e ligue de volta para o número que você já tem salvo, nunca para o que acabou de ligar. Urgência de verdade aguenta cinco minutos de verificação, e golpe não.

Vale combinar em família um segredo, uma palavra ou pergunta que só vocês sabem e que nunca aparece em rede social, para ser pedida sempre que houver pedido de dinheiro por áudio. Vale também conversar com pais e avós, que são alvos preferenciais, mostrando que isso existe e funciona. E vale não decidir transferência relevante sozinho e sob pressão: mostre o pedido a uma segunda pessoa, porque o golpe depende de você estar isolado.

Se caiu ou quase caiu, avise o banco, registre boletim de ocorrência e denuncie na plataforma onde o conteúdo circulou. Por fim, quanto menos áudio e vídeo seu em perfil aberto, menos matéria-prima para quem quiser te imitar.

O outro lado: o que dá para fazer de bom com isso

A mesma capacidade tem uma aplicação que me parece a mais bonita de todas: a acessibilidade. Quem tem Parkinson, vai passar por uma cirurgia na laringe ou está em tratamento que compromete a fala pode gravar amostras antes e, depois, continuar "falando" com a própria voz por teclado ou outro recurso de apoio. Uma voz sintética genérica comunica, mas uma voz clonada preserva identidade.

Há ainda usos mais cotidianos. Um autor independente pode narrar o próprio ebook sem alugar estúdio. Um professor pode transformar suas aulas em áudio. Um criador de conteúdo pode oferecer o mesmo vídeo em espanhol ou inglês mantendo a própria voz, o que derruba a barreira do idioma para quem trabalha sozinho. Famílias gravam a voz dos avós como patrimônio afetivo, e dubladores licenciam o clone da própria voz para trabalhos repetitivos, com pagamento por uso. O requisito, em todos os casos, é o mesmo: consentimento de quem é dono da voz e transparência de que o áudio é sintético.

Quer testar? Comece com a sua própria voz

As opções mudam rápido, então trate isto como um retrato de outubro de 2026. O caminho mais simples são serviços online como o ElevenLabs, que têm plano gratuito limitado, embora a clonagem de voz possa exigir plano pago e as condições mudem com frequência, então leia antes de se animar. Para quem é curioso e tem paciência técnica, existem projetos de código aberto, como OpenVoice, XTTS, F5-TTS e Fish Speech, que rodam no próprio computador, o que tem a vantagem de seus áudios não irem para a nuvem. Cada um tem sua licença, e algumas proíbem uso comercial, então confira antes de usar em trabalho pago. E se você só quer narrar um texto longo sem clonar ninguém, as vozes sintéticas em português do Edge e do próprio sistema são gratuitas e boas.

Duas dicas: a qualidade do clone depende da amostra (gravação limpa, sem eco e sem música de fundo), e para praticar use a sua voz. Clonar a de outra pessoa sem autorização, incluindo a de um familiar, pode ferir a LGPD (voz é dado pessoal) e o direito de imagem, com possíveis consequências criminais. Não sou advogado, e na dúvida vale consultar um. A legislação específica sobre deepfakes ainda corre atrás do problema, então, por enquanto, o bom senso e a defesa individual são o que temos.

Para finalizar

A clonagem de voz não é o futuro, é o presente que coube num aplicativo. Achar que "comigo não acontece" é arriscado, mas não deixe o medo vencer a utilidade: de um lado há o golpe de terceiros, do outro a sua voz lendo o que você quiser para a plateia que você escolher. Entender como a coisa funciona é o primeiro passo para ficar do lado bom.

Se este texto acertou o tom que você procura, tecnologia explicada de gente para gente, essa é a proposta do meu ebook "Você Já Usa IA — Só Não Sabia": um passo a passo para usar IA no Word, Excel, PowerPoint e Outlook, com 20 prompts prontos para o dia a dia. Os links de compra estão na página principal. Semana que vem tem mais um tema por aqui.

Para saber mais

• Artigo sobre o modelo de "três segundos" (VALL-E, Microsoft): procure por "VALL-E neural codec language models" no arXiv.
• ANPD, dados pessoais e LGPD: gov.br/anpd
• SaferNet Brasil, orientação e denúncia de crimes online: safernet.org.br
• OpenVoice, código e licença: github.com/myshell-ai/OpenVoice